Vaadake tehisintellekti robotkoera rokkimist agilitykursusel, mida pole kunagi varem nähtud

Akrobaatikategusid tegevad robotid võivad olla suurepärane turundustrikk, kuid tavaliselt on need ekraanid väga koreograafiliselt ja hoolikalt programmeeritud. Nüüd on teadlased välja õpetanud neljajalgse tehisintellekti roboti, et tulla toime keeruliste, seninägematute takistustega reaalsetes tingimustes.

Agiilsete robotite loomine on keeruline, kuna reaalsele maailmale on omane keerukus, piiratud hulk andmeid, mida robotid selle kohta koguda suudavad, ja kiirus, millega tuleb teha otsuseid dünaamiliste liigutuste tegemiseks.

Sellised ettevõtted nagu Boston Dynamics on regulaarselt avaldanud videoid oma robotitest, mis teevad kõike alates parkour et tantsurutiinid. Kuid nii muljetavaldavad kui need saavutused ka pole, hõlmavad need tavaliselt inimeste hoolikat programmeerimist iga sammu või treenimist ikka ja jälle samades kõrgelt kontrollitud keskkondades.

See protsess piirab tõsiselt oskuste ülekandmist reaalsesse maailma. Kuid nüüd on Šveitsi ETH Zürichi teadlased masinõpet kasutanud, et õpetada oma robotkoerale ANYmalile põhilisi vedurioskusi, mida ta saab seejärel kokku panna, et ületada palju erinevaid väljakutseid pakkuvaid takistusradasid nii sise- kui ka välitingimustes suurema kiirusega. kuni 4.5 miili tunnis.

"Kavandatud lähenemisviis võimaldab robotil liikuda enneolematult paindlikult," kirjutavad uuringu autorid. Teaduse robotics. "See võib nüüd areneda keerulistes stseenides, kus ta peab ronima ja hüppama suurtel takistustel, valides samal ajal mittetriviaalse tee sihtkoha suunas."

[Varjatud sisu]

Paindliku, kuid võimeka süsteemi loomiseks jagasid teadlased probleemi kolmeks osaks ja määrasid igaühele närvivõrgu. Esiteks lõid nad tajumooduli, mis võtab sisendit kaameratelt ja lidarilt ning kasutab neid maastikust ja sellel esinevatest takistustest pildi koostamiseks.

Nad ühendasid selle liikumismooduliga, mis oli omandanud oskuste kataloogi, mis on loodud selleks, et aidata tal ületada erinevaid takistusi, sealhulgas hüpata, üles ronida, alla ronida ja kükitada. Lõpuks ühendasid nad need moodulid navigeerimismooduliga, mis võiks kaardistada kursi läbi rea takistuste ja otsustada, milliseid oskusi nende kõrvaldamiseks kasutada.

"Asendame enamiku robotite standardtarkvara närvivõrkudega," Nikita Rudin, üks artikli autoreid, Nvidia insener ja ETH Zürichi doktorant. ütles New Scientist. "See võimaldab robotil saavutada käitumist, mis muidu poleks võimalik."

Uuringu üks muljetavaldavamaid aspekte on asjaolu, et robotit õpetati simulatsiooniks. Robootika suureks kitsaskohaks on piisavalt reaalse maailma andmete kogumine, et robotid saaksid neist õppida. Simulatsioonid võivad aitab koguda andmeid palju kiiremini pannes palju virtuaalseid roboteid paralleelselt katsetustele ja palju suurema kiirusega, kui on võimalik füüsiliste robotite puhul.

Simulatsioonis õpitud oskuste tõlkimine reaalsesse maailma on aga keeruline, kuna lihtsate virtuaalmaailmade ja tohutult keerulise füüsilise maailma vahel on paratamatu lõhe. Suureks saavutuseks on sellise robotsüsteemi väljaõpetamine, mis suudab autonoomselt töötada nähtamatutes keskkondades nii sise- kui ka välistingimustes.

Koolitusprotsess põhines puhtalt tugevdaval õppimisel - tõhusalt katse-eksituse meetodil -, mitte inimeste demonstratsioonidel, mis võimaldas teadlastel treenida tehisintellekti mudelit väga paljudel juhuslikel stsenaariumidel, selle asemel, et neid käsitsi märgistada.

Veel üks muljetavaldav funktsioon on see, et kõik töötab robotisse paigaldatud kiipidel, mitte ei tugine välistele arvutitele. Lisaks sellele, et ANYmal oli võimeline toime tulema paljude erinevate stsenaariumidega, näitasid teadlased, et ANYmal suudab takistusraja läbimiseks kukkumisest või libisemisest taastuda.

Uurijad ütlevad, et süsteemi kiirus ja kohanemisvõime viitavad sellele, et selliselt koolitatud roboteid võiks ühel päeval kasutada otsingu- ja päästemissioonidel ettearvamatutes ja raskesti navigeeritavates keskkondades, nagu killustik ja kokkuvarisenud hooned.

Sellel lähenemisviisil on siiski piirangud. Süsteemi õpetati toime tulema teatud tüüpi takistustega, isegi kui need olid erineva suuruse ja konfiguratsiooniga. Selle toimimiseks struktureerimata keskkondades oleks vaja palju rohkem koolitust mitmekesisemate stsenaariumide jaoks, et arendada laiemat oskuste paleti. Ja see koolitus on nii keeruline kui ka aeganõudev.

Kuid uuringud näitavad seda siiski robotid muutuvad üha võimekamaks keerulises reaalses keskkonnas tegutsemiseks. See viitab sellele, et nad võivad peagi olla palju nähtavamalt meie ümber.

Image Credit: ETH Zürich

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/