Kropsbevidsthed: Forskere giver robotter en grundlæggende følelse af 'proprioception'

Genudgivet af Platon

Abonnenter: 0

Body Awareness: Scientists Give Robots a Basic Sense of 'Proprioception' PlatoBlockchain Data Intelligence. Vertical Search. Ai.

Mange eksperter tror mere generelle former for kunstig intelligens vil være umuligt uden at give AI en krop i den virkelige verden. En ny tilgang, der giver robotter mulighed for at lære, hvordan deres krop er konfigureret, kunne accelerere denne proces.

Evnen til intuitivt at fornemme layoutet og placeringen af vores kroppe, noget kendt som proprioception, er en stærk evne. Endnu mere imponerende er vores evne til at opdatere vores interne model for, hvordan alle disse dele fungerer – og hvordan de arbejder sammen – afhængigt af både interne faktorer som skade eller eksterne faktorer som en tung belastning.

Replikerer disse muligheder ind robotter vil være afgørende, hvis de skal fungere sikkert og effektivt i virkelige situationer. Mange AI-eksperter mener også, at for at AI skal opnå sit fulde potentiale, skal den være fysisk inkorporeret i stedet for blot at interagere med den virkelige verden gennem abstrakte medier som sprog. At give maskiner en måde at lære, hvordan deres krop fungerer, er sandsynligvis en afgørende ingrediens.

Nu har et team fra det tekniske universitet i München udviklet en ny form for maskinlæringstilgang, der gør det muligt for en lang række forskellige robotter at udlede layoutet af deres kroppe ved hjælp af intet andet end feedback fra sensorer, der sporer bevægelsen af deres lemmer.

"Lemliggørelsen af en robot bestemmer dens perceptuelle og adfærdsmæssige evner," skriver forskerne i en papir ind Science Robotics beskriver arbejdet. "Robotter, der er i stand til autonomt og trinvist at opbygge en forståelse af deres morfologi, kan overvåge tilstanden af deres dynamik, tilpasse repræsentationen af deres krop og reagere på ændringer i den."

Alle robotter kræver en intern model af deres kroppe for at fungere effektivt, men typisk er dette enten hårdkodet eller indlært ved hjælp af eksterne måleenheder eller kameraer, der overvåger deres bevægelser. I modsætning hertil forsøger den nye tilgang at lære layoutet af en robots krop kun ved hjælp af data fra inertimåleenheder - sensorer, der registrerer bevægelse - placeret på forskellige dele af robotten.

Holdets tilgang bygger på, at der vil være overlap i signalerne fra sensorer tættere på hinanden eller på de samme dele af kroppen. Dette gør det muligt at analysere dataene fra disse sensorer for at beregne deres positioner på robottens krop og deres forhold til hinanden.

Først får holdet robotten til at generere sansemotoriske data via "motorisk pludren", som involverer tilfældig aktivering af alle maskinens servoer i korte perioder for at generere tilfældige bevægelser. De bruger derefter en maskinlæringstilgang til at finde ud af, hvordan sensorerne er arrangeret og identificere undergrupper, der vedrører specifikke lemmer og led.

Forskerne anvendte deres tilgang til en række robotter både i simuleringer og eksperimenter i den virkelige verden, herunder en robotarm, en lille humanoid robot og en seksbenet robot. De viste, at alle robotterne kunne udvikle en forståelse af placeringen af deres led, og hvilken vej disse led vendte.

Endnu vigtigere er det, at tilgangen ikke kræver et massivt datasæt som de dybe læringsmetoder, der understøtter de fleste moderne kunstig intelligens, og den kan i stedet udføres i realtid. Det åbner mulighed for robotter, der kan tilpasse sig skader eller tilføjelse af nye kropsdele eller moduler i farten.

"Vi anerkender vigtigheden af en robots evne til selvstændigt at vurdere og løbende opdatere viden om dens morfologi," skriver forskerne. "Inkrementel indlæring af morfologien ville gøre det muligt for robotter at tilpasse deres parametre til at afspejle de ændringer i kropsstrukturen, der kunne følge af selvforskyldte eller eksternt påførte handlinger."

Mens forståelsen af, hvordan din krop fungerer, kun er en lille del af at lære, hvordan man udfører nyttige opgaver, er det en vigtig ingrediens. At give robotter denne proprioception-lignende evne kunne gøre dem mere fleksible, tilpasningsdygtige og sikre.

Billedkredit: xx / xx