NVIDIA’nın belirttiğine göre, robotik alan modelleri önemli gelişmeler kaydetti. Günümüzün en iyi sistemleri, doğal dil talimatlarını takip ederek çok çeşitli nesneleri alıp yerleştirebiliyor, sıralıyor ve manipüle edebiliyor.
Ancak bu modeller daha yetenekli hale geldikçe, bunları titiz bir şekilde değerlendirmek, alanın çözülmesi gereken en zor problemlerinden biri haline geldi. Bu blog yazısında, temel sorunları ve bu sorunlara çözüm bulma yöntemimizi tanıtıyoruz.
Mevcut ölçütlerin eksiklikleri
Gerçek dünya testleri pahalıdır, yavaştır ve tekrarlanması zordur. Bir robotun gerçek dünyadaki performansının kapsamlı bir şekilde değerlendirilmesi için makul bir alternatif gereklidir. Simülasyon, büyük ölçekli robot değerlendirmeleri yapmak için doğal bir ortamdır. Ancak çoğu mevcut ölçüt, birkaç kritik sorunu paylaşmaktadır.
Eğitim ve değerlendirme arasındaki görsel tutarlılık eksikliği
Yapay Zeka Destekli Robotik Sistemlerdeki Ölçüm Zorlukları
Robotik sistemlerin geliştirilmesi ve değerlendirilmesi süreçlerinde karşılaşılan önemli bir sorun, eğitim ve değerlendirme için kullanılan verilerin neredeyse her zaman aynı görsel kaynaktan alınmasıdır. Bir model, simüle edilmiş veriler üzerinde eğitildiğinde ve aynı simülasyon ortamında değerlendirildiğinde, yüksek performans sadece modelin o kurulumu ezberlediğini gösterir; gerçek dünyadaki durumlara genelleme yapma yeteneğini göstermez. Bu durum, robotik değerlendirmelerde kritik bir sorundur, çünkü simülasyonun görsel kalitesi hala gerçek dünya görüntüleriyle aynı seviyede değil.
Real2sim yaklaşımları bu sorunu, gerçek dünya görüntülerinden fotogerçekçi ortamlar yeniden oluşturarak çözmeye çalışır; burada inpainting veya Gaussian splatting gibi teknikler kullanılır. Ancak, her sahne için yapılan kurulum süreci bir saati aşabiliyor, bu da büyük ölçekli testlerin pratik olmamasını sağlıyor.
NVIDIA’nın Performans Sınırı Ulaşması
İkinci olarak, görev oluşturma süreci oldukça zahmetlidir. Çoğu benchmark’ta sabit bir görev seti bulunur ve bu set nadiren güncellenir. Bu durum hızla performans doygunluğuna yol açar: Modeller, statik görev setlerinde hızla maksimum skorlara ulaşır, bu da hangi modelin gerçekten daha yetenekli olduğunu ayırt etmeyi imkansız hale getirir. Her sistem aynı benchmark’ta %90’ın üzerinde başarı raporladığında, sayılar anlamını yitirmeye başlar.
Bu durum, oyun dünyasında uzun yıllardır bilinen bir sorundur. Örneğin, klasikleşmiş bazı platform oyunlarında, geliştiriciler yeni seviyeler ekleyerek veya mevcut seviyelerde küçük değişiklikler yaparak oyuncuların sürekli olarak aynı hareketleri yapmasını engellemeye çalışır. Bu, oyuncuların oyunu “ezberlemesini” ve yaratıcılığını kaybetmesini önlemeye yöneliktir.
Teşhis Eksikliği
Ayrıca, daha derin bir teşhis eksikliği de bulunmaktadır. Sadece bir başarı/başarısızlık skoru, bir robotun neden başarısız olduğunu açıklamıyor.
Robot, nesnenin rengi yüzünden mi kafası karıştı? Talimatların ifade şekli mi sorun yarattı? Kamera mı kaydı mı? Robot, verilen talimata uygun olarak görevi verimli bir şekilde tamamladı mı?
Bu soruların cevapları olmadan, araştırmacılar üzerinde çalışacak somut verilere sahip olmuyorlar.
İstatistiksel Güvenilirlik
Her fizik motoru ve politika, bir miktar rastgeleliğe tabidir. N denemede elde edilen tek bir başarı oranı, bir politikanın gerçek performansına ne kadar güvenmeniz gerektiği hakkında size neredeyse hiçbir şey söylemez. Bir politika 10 denemenin dokuzunda başarılı olursa, bu “dokuzda biri” başarısı mı demektir, yoksa küçük bir örneklemde şans eseri elde edilen %80 veya %95’lik bir başarı oranı olabilir mi?
Bu durumu incelemek için Clopper-Pearson yöntemini kullanıyoruz.
Şimdi aşağıdaki örneğe bakalım: Gözlemlenen %90’lık bir başarı oranı sadece 70 denemeyle elde edildiğinde, Clopper-Pearson yöntemine göre hesaplanan %95 güven aralığı tam olarak 15,4 puanlık bir aralıkta yer alır (%80,5 ile %95,9 arasında). Bu sayı, daha önce oyun dünyasında benzer sorunlarla karşılaşıldığını ve farklı yaklaşımların denendiğini gösteriyor. Örneğin, bazı erken dönem strateji oyunlarında, yapay zekanın davranışlarını tahmin etmek için Monte Carlo simülasyonları kullanılıyordu. Ancak bu simülasyonların doğruluğu, kullanılan rastgele sayı üretecinin kalitesine ve kullanılan parametrelerin seçimine bağlıydı.
Çoğu yayınlanan performans değerlendirmesi, iki politika arasındaki performansı karşılaştırırken yeterli sayıda deneme yapmamaktadır. Bu durum, elde edilen sonuçların güvenilirliğini azaltmaktadır.
NVIDIA RoboLab’ı Tanıtıyor
NVIDIA, bu sorunlara çözüm bulmak amacıyla RoboLab adlı bir simülasyon performans değerlendirme platformu geliştirdi. RoboLab üç temel ilkeye dayanmaktadır:
- Robotlardan bağımsız olarak görevlerin değerlendirilmesini sağlarken anlamlı metrikler sunar.
- Benchmark’ların hızla doyurulmasını önlemek için yeni görevlerin hızlı bir şekilde oluşturulmasına olanak tanır ve ajan tabanlı yapay zeka iş akışlarını destekler.
- Bir politikanın ne kadar iyi çalıştığı, ne zaman başarısız olduğu ve neden başarısız olduğu hakkında kapsamlı bir resim çizen eksiksiz analiz araçları sunar.
Robot Performans Değerlendirmesi: Yapay Zeka Çağında Yeni Yaklaşımlar
RoboLab, gerçek dünya senaryolarını yansıtan bir kurulum prosedürüne sahip: nesneleri yerleştirin, bir dil talimatı ekleyin ve bir politika uygulayın. Kullanıcılar, mevcut nesne kütüphanesinden nesneleri sahneye yerleştirebilir ve görevi gerçekleştirmek için bir veya daha fazla dil talimatı belirtebilir; bu süreç genellikle sadece birkaç dakika sürer.
RoboLab ayrıca, kodlama yapay zekasının kullanıcıların iş akışında doğrudan yeni görevler oluşturmak için kullanabileceği yeteneklere de sahiptir. Bu verimlilik aynı zamanda değerlendirme sürecini de geleceğe dayanıklı hale getirir: Genel amaçlı modeller geliştikçe, yeni görevler eklenebilir ve eski olanlar devre dışı bırakılabilir.
Kendi Robotunuzu Kullanın
Genel amaçlı bir robot politikası geliştirmek, çok çeşitli özel görevleri çözmeyi gerektirir ve hiçbir ekip, her tür gövde için yeterli veriye sahip değildir. Bir laboratuvar, Franka kolunda binlerce saatlik verilere sahip olabilirken, insanoid robotlar için neredeyse hiç verisi olmayabilir veya tam tersi bir durum söz konusu olabilir. Tek bir robota bağlı bir değerlendirme süreci, her kullanıcıyı aynı veri eksikliğine sokar; bu da kullanıcının aslında ne oluşturmaya veya test etmeye çalıştığıyla ilgili değildir. Bu durum, özellikle robotik alanındaki erken dönemlerdeki duruma benzer. Örneğin, 1980’lerin sonlarında ve 1990’ların başlarında geliştirilen ilk endüstriyel robot kollarının (örneğin ABB’nin IRB serisi veya PUMA robotu) kullanımı, belirli görevler için optimize edilmişti ve bu da farklı uygulamalar için uyarlanabilirliği sınırlıyordu.
RoboLab görevleri, robota ve politikaya bağımlı değildir; bu, aynı görev setinin, kullanılan robot gövdesi veya politika mimarisi ne olursa olsun değerlendirilebileceği anlamına gelir. Kullanıcılar, tasarım seçimlerini kendi başlarına yapma özgürlüğüne sahiptir; RoboLab sadece aynı sahneleri ve görevleri kullanıcıların getirdiği her robota göre uygular.
Bu durum, gelecekte robot gövdesi seçeneklerinin sayısının arttığı bir ortamda da geçerliliğini korur; veri oluşturma ve eğitim için hangi robotun kullanıldığı daha az önemli hale gelir, önemli olan sadece o robotun görevi çözüp çözemediğidir.
Yetenek Odaklı Görevler
Kullanışlı bir değerlendirme sürecinin, bir robotun sadece bir görevi tamamlayıp tamamlamadığını ölçmekten daha fazlasını yapması gerekir; farklı yetenekleri de izole etmesi önemlidir. Genel amaçlı manipülasyonun en az üç ayrı yeteneği gerektirdiği gözlemlenmiştir:
- Görsel yetenek testleri, bir politikanın renk, boyut ve semantik kategori gibi algısal özelliklerini tanıyıp bunlara göre hareket edip edemeyeceğini değerlendirir; örneğin, masadaki diğer nesnelerden küçük kırmızı bardağı ayırt etmek.
- Prosedürel yetenek, eylem odaklı muhakemeyi değerlendirir: nesneleri istiflemek, yeniden yönlendirmek veya bir araçla nasıl etkileşim kuracağını anlamak. Bu, özellikle robotik alanında önemli bir konudur; çünkü karmaşık manipülasyon görevleri için gerekli olan temel becerileri temsil eder.
- İlişkisel yetenek, mekansal ve dilsel mantığı araştırır; burada bağlaçlar (“turuncu ve limonu al”), sayma ve “solda” veya “içinde” gibi göreceli konumlar yer alır. Bu, robotların çevrelerindeki dünyayı anlamaları için kritik öneme sahiptir.
Her birinin bir veya daha fazla belirli yeteneği hedefleyen görevler tasarlayarak, genel amaçlı bir politikanın ihtiyaç duyduğu tüm beceri alanlarında kapsamlı bir kapsama sağlayabiliriz. RoboLab-120’de, 120 adet insan tarafından seçilmiş masaüstü nesne alma ve yerleştirme görevinin ilk ölçütümüzde, her görev gerektirdiği birden fazla yetenekle etiketlenmiştir; böylece ölçütünün yetkinlikler genelindeki kapsamı açık ve dengeli kalır ve yeni görevler eklendikçe ayarlanır. Bu yaklaşım, özellikle oyun geliştirme alanında, farklı oyun türleri için çeşitli zorluk seviyeleri oluşturmak amacıyla kullanılan modüler tasarım prensiplerini anımsatıyor.
Robot politikalarını değerlendirme
Bir robot politikasının iyi olduğunu gösteren ölçütler nelerdir?
Yalnızca başarı oranı, bir robotun bir görevi nasıl gerçekleştirdiğine dair neredeyse hiçbir şey anlatmaz; yalnızca bitiş çizgisini geçip geçmediğini söyler. Doğru nesneyi kavrayıp erken düşüren bir politika başarısız olarak kaydedilebilirken, sadece sarsıntılı, dolambaçlı veya yavaş hareketlerle başarılı olan bir politika da başarı olarak kaydedilebilir. Ne durumda olsunsa, bu durumlar ikili başarı ile yakalanamaz. Bu durum, özellikle 2000’lerin başlarında popüler hale gelen “roguelike” oyunlarının karmaşıklığını ve zorluğunu anlamak için önemlidir; çünkü oyuncular genellikle küçük hataların bile başarısızlığa yol açtığı rastgele oluşturulmuş ortamlarda gezinirler.
NVIDIA’nın Yeni Robotik Simülasyon Platformu: RoboLab
RoboLab, bu sorunları aşmak için üç ek değerlendirme aracı kullanıyor ve böylece robot politikalarının davranışını daha kapsamlı bir şekilde analiz etmeyi sağlıyor. Bu yaklaşım, oyun dünyasında uzun zamandır kullanılan “playtesting” kavramına benzer; ancak burada amaç, sadece eğlence değil, aynı zamanda robotik sistemlerin performansını objektif olarak ölçmek.
- Aşamalı görev puanları: Çok aşamalı bir talimatın tamamlanması için kısmi kredi veriliyor. Örneğin, doğru nesneyi kavramasına rağmen bırakma hedefine ulaşamayan bir robot, hiçbir şey yapmayan bir robota göre daha yüksek bir puan alıyor. Bu yaklaşım, özellikle karmaşık manipülasyon görevlerinde robotların yeteneklerini daha ayrıntılı olarak değerlendirmeyi mümkün kılıyor.
- Yol kalitesi: Hareket verimliliği, yol uzunluğu ve SPARC (spectral arc-length) adı verilen, insan tarafından algılanan pürüzsüzlüğü Fourier spektrumu aracılığıyla ölçen bir metrik kullanılarak değerlendiriliyor. Daha kısa ve daha pürüzsüz hareketler tercih ediliyor. Bu, özellikle otonom navigasyon sistemlerinde kritik öneme sahiptir; çünkü verimlilik sadece hedefe ulaşmakla değil, aynı zamanda güvenli ve konforlu bir yolculuk sağlamakla da ilgilidir.
- Çalışma hızı: Son efektör (end effector) hızı ölçülüyor. Bu da insan algısıyla uyumlu bir metrik olup, daha hızlı hareketlerin tercih edildiği varsayımına dayanır. Bu, özellikle üretim ortamlarında robotların verimliliğini artırmak için önemlidir; çünkü daha hızlı çalışma süreleri, daha yüksek çıktı anlamına gelebilir.
NVIDIA, Robot Politikalarının Neden Başarısız Olduğunu Belirliyor
Bir görevin neden yanlış gittiğini anlamak, görevin başarısız olduğunu bilmek kadar önemlidir. RoboLab, geleneksel performans metriklerinin ötesine geçerek, bir politikanın neden başarılı veya başarısız olduğunu ve sürecin hangi aşamasında sorunların ortaya çıktığını daha derinlemesine analiz ediyor. Bu yaklaşım, oyun geliştirme süreçlerinde sıklıkla kullanılan hata ayıklama (debugging) yöntemlerine benzer; ancak burada amaç, sadece eğlence değil, aynı zamanda robotik sistemlerin güvenilirliğini ve verimliliğini artırmaktır.
Hata olayları günlüğü, yanlış nesne tutuşlarını, düşürülen nesneleri ve robot kolu çarpışmalarını otomatik olarak takip ederek, görev yürütülmesindeki sorunların tam olarak nerede ortaya çıktığını tespit eder.
Örneğin, “Tüm plastik şişeleri çöp kutusuna koy” görevi ele alalım. Robot, tüm plastik şişeleri aldı ve çöp kutusuna yerleştirdi. Ancak, aynı zamanda bir portakalı da çöp kutusuna attı.
Teknik olarak bakıldığında, görev başarıyla tamamlanmış gibi görünüyor! Bir görev, teknik olarak belirtilen gereksinimleri karşılayabilirken, robot yine de görevi tamamlamadan önce yanlış bir nesneyi tutmuş olabilir. Bu durum, erken dönem video oyunlarında sıkça rastlanan bir sorundu; oyuncular bazen hedeflenen nesne yerine yanlış bir şeyi alıyorlardı ve bu da beklenmedik sonuçlara yol açıyordu.
Bu tür olayları incelemek için RoboLab, görev sırasında meydana gelen olayları gerçek zamanlı olarak gösteren yerleşik bir kontrol paneline sahiptir. Bu sayede kullanıcılar, hatanın tam olarak nerede gerçekleştiği kareye doğrudan ulaşabilirler. Bu özellik, robot davranışının analizini manuel ve varsayımlara dayalı bir süreçten, daha çok bir hata ayıklama aracına benzer hale getirir.
Kullanıcı artık “Çalıştı mı?” sorusu yerine, “Tam olarak nerede çalışmayı durdurdu ve bu olaya yol açan bağlam neydi?” gibi daha spesifik sorular sorabilir.
Robot politikanız artan karmaşıklığa karşı ne kadar dayanıklı?
Gerçek dünya uygulamaları, genellikle bir benchmark testinin temiz ve kontrollü koşullarından farklıdır. Talimatlar sayısız şekilde ifade edilebilir, sahneler sıklıkla dağınık olabilir ve görevler tek veya iki adımdan ziyade birçok adım içerebilir.
Bir politikanın gerçekten ne kadar dayanıklı olduğunu anlamak için, dil, sahne ve görev kapsamındaki artan karmaşıklığa karşı performansını analiz etmeliyiz. Örneğin, erken dönem strateji oyunlarında, oyuncular genellikle sınırlı kaynaklarla karmaşık senaryolarda karar vermek zorunda kalırdı; bu da politikanın (oyuncunun stratejisinin) ne kadar esnek olduğunu gösterirdi.
Dil karmaşıklığı
Sadece tam olarak ifade edilmiş komutları anlayan bir robot, laboratuvar dışındaki kullanım için sınırlı fayda sağlar. İnsanlar doğal olarak talimatları çeşitli ve belirsiz şekillerde ifade ederler. Farklı dil yapılarıyla yapılan testler, politikanın (robotun) ne kadar çok kesin ifadelere bağımlı olduğunu ve gerçek görev anlayışına sahip olup olmadığını ortaya çıkarır.
RoboLab kullanıcılarına, görev tanımlarında birden fazla dil seçeneği sunarak, çalışma zamanında hangi varyantın kullanılacağını belirleme imkanı sağlıyor. NVIDIA’nın yaptığı ilk değerlendirmede, üç farklı seçenek sunuldu: genel, varsayılan ve detaylı.
Yapılan araştırmalar, genel ifadelerin sıklıkla başarısızlığa yol açtığını gösteriyor. Bu durum, mevcut modellerin ifade şekillerine karşı hala oldukça hassas olduğunu ortaya koyuyor. Ayrıca, görev tanımlarında çok fazla detay bulunmasının da bazen performansı düşürebileceği gözlemlendi.
Ortam Karmaşıklığı
Gerçek dünyadaki ortamlar, genellikle eğitim senaryolarındaki kadar düzenli değildir. Dikkat dağıtıcı unsurlar, karmaşa ve görsel gürültüler içerebilirler; bu durumlar da nesne tanımını zorlaştırabilir. Ortamın karmaşıklığı arttıkça performansın nasıl etkilendiğinin değerlendirilmesi, bir politikanın görsel dikkat dağıtıcı unsurlar arasında doğru hedefi ayırıp ayıramayacağını gösterir.
Bu durum, özellikle robotik alanında önemli bir konudur. Örneğin, erken dönem robot oyunları ve simülasyonlarında, ortamdaki karmaşıklık genellikle basitleştirilmişti; ancak gerçek dünyadaki uygulamalarda bu karmaşıklığın üstesinden gelmek kritik öneme sahiptir. Bu, daha sonraki yıllarda geliştirilen daha gelişmiş algoritmalarla çözülmeye çalışılmıştır.
Görev Karmaşıklığı: Kısa ve Uzun Görev Süresi
Birçok gerçek dünya görevi, tek adımlı eylemlerden ziyade, birbirine bağımlı alt görevlerden oluşan bir dizi işlem gerektirir. Bu durumda, erken aşamalardaki küçük hatalar bile, daha sonraki aşamalarda tam bir görev başarısızlığına yol açabilir. Örneğin, “Bardakları dolaplara yerleştir” görevi, öncelikle dolabın açılmasını ve ardından bardağın alınmasını gerektirebilir.
Görev süresi uzadıkça performansın nasıl etkilendiğinin ölçülmesi, bir politikanın doğruluğu ne kadar süreyle koruyabildiğini gösterir. Görev tasarımcıları, RoboLab görevlerinde beklenen alt görev dizisini belirleyebilir ve politikanın bu dizi boyunca ne kadar ilerlediğini takip edebilirler. Yapılan çalışmalar, çoğu politikanın uzun süreli görevlerde zorlandığını, hiçbir politikanın dört karmaşık alt görevi bile başarılı bir şekilde tamamlayamadığını gösteriyor.
Robot Politikanız Varyasyonlara Ne Kadar Duyarlı?
Bazı çevresel değişkenler performans düşüşlerine neden olabilir, ancak büyük ölçekte, her bir değişkeni ayrı ayrı test etmek hızla karmaşık hale gelir. Bunun yerine, birçok farklı sahne varyasyonunda eş zamanlı değerlendirmeler yapar ve duyarlılık analizi uygularız. Bu analiz, hangi çevresel değişkenlerin başarı veya başarısızlıkla en çok ilişkili olduğunu belirler ve “kamera yerleşiminin önemli olabileceği” gibi sezgileri, ölçülebilir verilere dönüştürür.
Belirli bir varyasyon 𝜃 altında yapılan denemelerde gözlemlenen sonuçlar (𝑥) — örneğin, görevin başarıyla tamamlanması — posterior dağılımı 𝑝(𝜃 ∣𝑥) ∝𝑝(𝑥 ∣𝜃)𝑝(𝜃), hangi koşulların (𝜃) sonucun (𝑥) ile en çok ilişkili olduğunu karakterize eder.
NVIDIA, bu posterior dağılımını Neural Posterior Estimation (NPE) kullanarak tahmin etti. Bu sayede şirket, belirli bir performans düşüşünden sorumlu olan tam olarak hangi çevresel değişkenin olduğunu tespit edebildi ve her faktörün etkisini tek tek tahmin etmek yerine doğrudan çözüme odaklanabildi.
Neden Önemli?
Robotik alanındaki standartlaştırılmış ölçüm yöntemleri, yapay zeka araştırmalarının geri kalanına kıyasla hala geride kalmıştır. Alan standardı bir ölçüm platformu olmadan, ilerlemeyi ölçmek zordur. Yapay zekâ sistemlerinin yetenekleri arttıkça, başarı oranları tek başına, bir modelin gerçekten genelleme yapıp yapmadığını veya sadece test koşullarını ezberleyip ezberlemediğini bize söylemez. Bu fark, modeller geliştikçe daha da belirginleşecektir.
İlerlemek için, ölçüm yöntemlerinin de yapay zekâ modellerinin gelişimiyle aynı hızda ilerlemesi gerekir: Sınırlarını zorlayan, doygunluğa ulaşmayan ölçütler; sadece puan vermek yerine sorunları teşhis eden metrikler ve araştırmacılara sadece bir sistemin ne kadar iyi performans gösterdiğini değil, aynı zamanda nasıl geliştirilebileceğini de anlatan analizler. RoboLab, gerçek dünya uygulamaları için simülasyon kullanarak ölçeklenebilir bir robot değerlendirme yolu sunar.
Bu bağlamda, oyun dünyasına bakıldığında, erken dönem strateji oyunları ve simülasyonların (örneğin, Civilization, SimCity veya Theme Park) başarısı, oyunculara karmaşık sistemleri anlamaları ve optimize etmeleri için bir platform sunmasının önemli bir faktörüydü. Bu tür oyunlar, oyuncuları sadece eğlendirmekle kalmaz, aynı zamanda problem çözme becerilerini de geliştiriyordu. Benzer şekilde, robotik alanında da, RoboLab gibi platformlar, araştırmacıların sistemleri daha iyi anlamalarına ve geliştirmelerine olanak tanıyarak ilerlemeyi hızlandırabilir.
Xuning Yang, NVIDIA’nın Seattle Araştırma Laboratuvarı’nda kıdemli bir araştırma bilim insanıdır. Araştırmaları, özellikle değerlendirme yöntemleri ve genelleme yetenekleri açısından robot temel modellemeye odaklanmaktadır. Ayrıca, alan robotları, iç mekan navigasyonu ve robot manipülasyonu gibi geniş bir uygulama yelpazesine ilgi duymaktadır. NVIDIA’daki görevinden önce, Carnegie Mellon Üniversitesi’nden robotik alanında doktora derecesi almıştır.
Editörün Notu: Bu makale, NVIDIA’nın blog sayfasından alınmıştır.
Robotik alanındaki gelişmeler, özellikle de temel modelleme konusundaki araştırmalar, son yıllarda hızla ilerlemektedir. Bu alandaki çalışmalar, daha önce yalnızca insan kontrolüyle mümkün olan karmaşık görevlerin robotlar tarafından otonom olarak gerçekleştirilmesine olanak tanımaktadır. Örneğin, erken dönem robotik oyunları ve simülasyonları, bu alandaki ilk adımları atmış ve günümüzdeki gelişmelere zemin hazırlamıştır. Bu türden çalışmalar, robotların çevrelerini algılama, plan yapma ve eylemlerde bulunma yeteneklerini geliştirmeye odaklanmıştır.
Kaynak: Therobotreport