موسسه تحقیقاتی تویوتا در حال تقسیم‌کاری مدل‌های رفتاری بزرگ به منظور آموزش ربات‌ها به مهارت‌های مختلف است. آنها به دنبال تعلیم ربات‌ها در زمینه‌های مختلفی هستند.
طبق گزارش Pressroom Toyota، یادگیری ممکن است به عنوان یکی از مرزهای هیجان‌انگیز در زمینه رباتیک در نظر گرفته شود. تاریخچه این زمینه به چندین دهه پیش برمی‌گردد. به عنوان مثال، در دهه 80، پیشرفت‌های مهمی در یادگیری از طریق تمثیل معرفی شد، اما تعداد زیادی از پروژه‌های تحقیقاتی در دانشگاه‌ها مانند CMU، MIT و UC Berkeley به آینده‌ای اشاره می‌کنند که ربات‌ها به طریقی شبیه به همتایان انسانی خود یاد می‌گیرند.
در یک رویداد به نام TechCrunch Disrupt، موسسه تحقیقاتی تویوتا (TRI) پیشرفت‌های جدیدی در تحقیقات خود به نمایش گذاشته است که به ربات‌ها اجازه می‌دهد به سرعت مهارت‌های جدیدی را یاد بگیرند. گیل پرت، مدیرعامل و دانشمند ارشد TRI، اظهار می‌کند که اکنون برای آموزش مدل‌های ماشینی نیاز به میلیون‌ها مورد آموزشی نیست و تنها ده‌ها مورد کافی است. این پیشرفت امکان فرایندهای سریعتر و کارآمدتر را فراهم می‌کند، حتی در مواردی که تنوع در آموزش اهمیت کمتری دارد.
تکنیک آموزش شبه ربات های تویوتا
سیستم توسعه‌یافته توسط TRI از ترکیب تکنیک‌های مختلف برای آموزش مهارت‌های متنوع به ربات‌ها استفاده می‌کند. این موسسه اعلام می‌کند که با استفاده از این روش، به ربات‌ها تا 60 مهارت یاد داده شده است، اما مدل‌های فعلی هنوز قادر به حل مشکلاتی نیستند.
بنجامین بورچفیل، دانشمند ارشد تحقیقاتی TRI، بیان می‌کند که با ظهور مدل‌های زبان بزرگ، امکان انتقال هوش شناختی به ربات‌ها وجود دارد. این مدل‌ها به ربات‌ها این امکان را می‌دهند که به جای تشخیص دقیق یک شیء، به آنها بگویید مثلاً یک قوطی کوکاکولا را بردارند یا یک جسم براق را بردارند. این امکانات مفید هستند، اما هنوز محدودیت‌هایی دارند و نمی‌توانند کارهایی مثل وصل کردن یک دستگاه USB یا برداشتن دستمال کاغذی را انجام دهند. TRI در حال تمرکز بر روی حل این محدودیت‌ها و پیشرفت‌هایی که تاکنون داشته‌اند، هیجان‌زده هستند.
یکی از مزیت‌های اساسی این روش، توانایی برنامه‌ریزی مهارت‌های ربات‌ها در محیط‌های مختلف است تا بتوانند به خوبی در آنها عمل کنند. این اهمیت دارد چرا که ربات‌ها معمولاً در محیط‌های با ساختار کمتر یا سازمان‌دهی نشده دچار مشکل می‌شوند. به عنوان مثال، رفتار یک ربات در یک انبار نسبت به یک جاده یا خانه، آسان‌تر است زیرا انبارها معمولاً با چیدمان ثابت و موانع کمتری طراحی می‌شوند.
هدف اصلی TRI، توسعه سیستم‌های چندمنظوره است که به افراد مسن کمک می‌کنند تا مستقل زندگی کنند، به خصوص در مناطق با جمعیت پیر مانند ژاپن. این سیستم‌ها باید بتوانند در محیط‌های مختلف عمل کنند و با تغییرات سازگار شوند.
