Se en AI-robothund rocke en agility-bane, den aldrig er set før

Se en AI-robothund rocke en agility-bane, den aldrig er set før

Tidsstempel: 14. marts 2024 kl. 3
Watch an AI Robot Dog Rock an Agility Course It's Never Seen Before PlatoBlockchain Data Intelligence. Vertical Search. Ai.

Robotter, der laver akrobatiske bedrifter, kan være et godt marketingtrick, men typisk er disse skærme meget koreograferede og omhyggeligt programmerede. Nu har forskere trænet en firbenet AI-robot til at tackle komplekse, hidtil usete forhindringsbaner under virkelige forhold.

At skabe agile robotter er udfordrende på grund af den iboende kompleksitet i den virkelige verden, den begrænsede mængde data, robotter kan indsamle om det, og den hastighed, hvormed beslutninger skal tages for at udføre dynamiske bevægelser.

Virksomheder som Boston Dynamics har jævnligt udgivet videoer af deres robotter, der gør alt fra parkour til danserutiner. Men lige så imponerende som disse bedrifter er, involverer de typisk mennesker, der møjsommeligt programmerer hvert trin eller træning i de samme stærkt kontrollerede miljøer igen og igen.

Denne proces begrænser alvorligt evnen til at overføre færdigheder til den virkelige verden. Men nu har forskere fra ETH Zürich i Schweiz brugt maskinlæring til at lære deres robothund ANYmal en række af basale lokomotivfærdigheder, som den derefter kan sætte sammen for at tackle en lang række udfordrende forhindringsbaner, både indendørs og udendørs, med hastigheder på op til 4.5 miles i timen.

"Den foreslåede tilgang gør det muligt for robotten at bevæge sig med hidtil uset smidighed," skriver forfatterne til et nyt papir om forskningen i Science Robotics. "Den kan nu udvikle sig i komplekse scener, hvor den skal klatre og hoppe på store forhindringer, mens den vælger en ikke-triviel vej mod sit målplacering."

[Indlejret indhold]

For at skabe et fleksibelt, men alligevel dygtigt system, delte forskerne problemet op i tre dele og tildelte et neuralt netværk til hver. Først lavede de et perceptionsmodul, der tager input fra kameraer og lidar og bruger dem til at bygge et billede af terrænet og eventuelle forhindringer i det.

De kombinerede dette med et bevægelsesmodul, der havde lært et katalog over færdigheder designet til at hjælpe det med at krydse forskellige slags forhindringer, herunder at hoppe, klatre op, klatre ned og krøje sig. Endelig fusionerede de disse moduler med et navigationsmodul, der kunne kortlægge en kurs gennem en række forhindringer og beslutte, hvilke færdigheder de skulle påberåbe sig for at klare dem.

"Vi erstatter standardsoftwaren fra de fleste robotter med neurale netværk," Nikita Rudin, en af ​​avisens forfattere, ingeniør hos Nvidia og ph.d.-studerende ved ETH Zürich, fortalt New Scientist. "Dette gør det muligt for robotten at opnå adfærd, som ellers ikke var mulig."

Et af de mest imponerende aspekter af forskningen er, at robotten blev trænet i simulering. En stor flaskehals inden for robotteknologi er at indsamle nok data fra den virkelige verden, som robotter kan lære af. Simuleringer kan hjælpe med at indsamle data meget hurtigere ved at sætte mange virtuelle robotter gennem forsøg parallelt og med meget større hastighed, end det er muligt med fysiske robotter.

Men det er vanskeligt at oversætte færdigheder lært i simulering til den virkelige verden på grund af den uundgåelige kløft mellem simple virtuelle verdener og den enormt komplekse fysiske verden. At træne et robotsystem, der kan fungere autonomt i usynlige omgivelser både indendørs og udendørs, er en stor præstation.

Træningsprocessen var udelukkende baseret på forstærkende læring - effektivt forsøg og fejl - snarere end menneskelige demonstrationer, hvilket gjorde det muligt for forskerne at træne AI-modellen på et meget stort antal randomiserede scenarier i stedet for at skulle mærke hver enkelt manuelt.

En anden imponerende funktion er, at alt kører på chips installeret i robotten, i stedet for at være afhængig af eksterne computere. Og ud over at være i stand til at tackle en række forskellige scenarier, viste forskerne, at ANYmal kunne komme sig efter fald eller glid for at fuldføre forhindringsbanen.

Forskerne siger, at systemets hastighed og tilpasningsevne antyder, at robotter, der er trænet på denne måde, en dag kan blive brugt til eftersøgnings- og redningsmissioner i uforudsigelige, svært at navigere rundt i miljøer som murbrokker og sammenstyrtede bygninger.

Tilgangen har dog begrænsninger. Systemet blev trænet til at håndtere specifikke slags forhindringer, selvom de varierede i størrelse og konfiguration. At få det til at fungere i mere ustrukturerede miljøer ville kræve meget mere træning i mere forskellige scenarier for at udvikle en bredere palet af færdigheder. Og den træning er både kompliceret og tidskrævende.

Men forskningen er ikke desto mindre en indikation på det robotter bliver stadig dygtigere at operere i komplekse miljøer i den virkelige verden. Det tyder på, at de snart kan være en meget mere synlig tilstedeværelse overalt omkring os.

Billede Credit: ETH Zurich

Tidsstempel:

Mere fra Singularitet Hub