یک دوره آموزشی چابکی را که قبلاً هرگز دیده نشده بود، تماشا کنید

ربات‌هایی که کارهای آکروباتیک انجام می‌دهند ممکن است یک ترفند بازاریابی عالی باشد، اما معمولاً این نمایش‌ها به شدت طراحی شده و به سختی برنامه‌ریزی شده‌اند. اکنون محققان یک ربات هوش مصنوعی چهار پا را آموزش داده اند تا در شرایط دنیای واقعی با موانع پیچیده و پیش از این دیده نشده برخورد کند.

ایجاد ربات‌های چابک به دلیل پیچیدگی ذاتی دنیای واقعی، تعداد محدودی از داده‌هایی که ربات‌ها می‌توانند در مورد آن جمع‌آوری کنند و سرعت تصمیم‌گیری برای انجام حرکات پویا، چالش برانگیز است.

شرکت‌هایی مانند Boston Dynamics مرتباً ویدیوهایی از روبات‌های خود منتشر می‌کنند که هر کاری را از آن انجام می‌دهند پارکور به روتین های رقص. اما به همان اندازه که این شاهکارها چشمگیر هستند، معمولاً شامل برنامه‌ریزی پر زحمت انسان‌ها در هر مرحله یا آموزش در محیط‌های بسیار کنترل‌شده یکسان می‌شوند.

این فرآیند به طور جدی توانایی انتقال مهارت ها را به دنیای واقعی محدود می کند. اما اکنون، محققان ETH زوریخ در سوئیس از یادگیری ماشینی برای آموزش مجموعه‌ای از مهارت‌های پایه لوکوموتیو به سگ ربات خود ANYmal استفاده کرده‌اند که سپس می‌تواند برای مقابله با طیف گسترده‌ای از مسیرهای چالش‌برانگیز با موانع، هم در داخل و هم در خارج از خانه، با سرعت‌های بالا، به سگ ربات خود آموزش دهد. تا 4.5 مایل در ساعت

نویسندگان مقاله جدید در مورد این تحقیق می نویسند: "رویکرد پیشنهادی به ربات اجازه می دهد تا با چابکی بی سابقه ای حرکت کند." علوم رباتیک. اکنون می‌تواند در صحنه‌های پیچیده تکامل یابد، جایی که باید از موانع بزرگ بالا برود و بپرد در حالی که یک مسیر غیر ضروری را به سمت مکان هدف خود انتخاب می‌کند.

[محتوای جاسازی شده]

برای ایجاد یک سیستم منعطف و در عین حال توانا، محققان این مشکل را به سه قسمت تقسیم کردند و به هر کدام یک شبکه عصبی اختصاص دادند. ابتدا، آنها یک ماژول ادراک ایجاد کردند که ورودی دوربین ها و لیدار را می گیرد و از آنها برای ایجاد تصویری از زمین و هر گونه مانع در آن استفاده می کند.

آنها این را با یک ماژول حرکتی ترکیب کردند که کاتالوگی از مهارت های طراحی شده برای کمک به عبور از انواع موانع، از جمله پریدن، بالا رفتن، پایین رفتن و خمیدن را یاد گرفته بود. در نهایت، آن‌ها این ماژول‌ها را با یک ماژول ناوبری ادغام کردند که می‌توانست مسیری را از میان یک سری موانع ترسیم کند و تصمیم بگیرد که از کدام مهارت‌ها برای پاک کردن آنها استفاده کنند.

نیکیتا رودین، یکی از نویسندگان مقاله، مهندس انویدیا و دانشجوی دکترا در ETH زوریخ، «ما نرم‌افزار استاندارد اکثر ربات‌ها را با شبکه‌های عصبی جایگزین می‌کنیم». گفته شده دانشمند جدید. "این به ربات اجازه می دهد تا به رفتارهایی دست یابد که در غیر این صورت ممکن نبود."

یکی از چشمگیرترین جنبه های تحقیق این است که ربات در زمینه شبیه سازی آموزش دیده است. یک گلوگاه بزرگ در رباتیک، جمع‌آوری داده‌های دنیای واقعی کافی برای ربات‌ها برای یادگیری است. شبیه سازی می تواند به جمع آوری داده ها بسیار سریعتر کمک می کند با قرار دادن بسیاری از ربات‌های مجازی در آزمایش‌های موازی و با سرعتی بسیار بیشتر از ربات‌های فیزیکی.

اما ترجمه مهارت های آموخته شده در شبیه سازی به دنیای واقعی به دلیل شکاف اجتناب ناپذیر بین دنیای مجازی ساده و دنیای فیزیکی بسیار پیچیده دشوار است. آموزش یک سیستم روباتیک که بتواند به طور مستقل در محیط های نامرئی هم در داخل و هم در فضای باز کار کند، یک دستاورد بزرگ است.

فرآیند آموزش به جای نمایش های انسانی، صرفاً بر یادگیری تقویتی - به طور مؤثر آزمایش و خطا - متکی بود، که به محققان این امکان را می داد که مدل هوش مصنوعی را بر روی تعداد بسیار زیادی از سناریوهای تصادفی آموزش دهند نه اینکه هر کدام را به صورت دستی برچسب گذاری کنند.

یکی دیگر از ویژگی های چشمگیر این است که همه چیز بر روی تراشه های نصب شده در ربات اجرا می شود، نه اینکه به رایانه های خارجی متکی باشد. و همچنین قادر به مقابله با انواع سناریوهای مختلف، محققان نشان دادند که ANYmal می تواند پس از سقوط یا لغزش برای تکمیل مسیر مانع بهبود یابد.

محققان می گویند سرعت و سازگاری این سیستم نشان می دهد که ربات هایی که به این روش آموزش دیده اند می توانند روزی برای ماموریت های جستجو و نجات در محیط های غیرقابل پیش بینی و ناوبری سخت مانند آوار و ساختمان های فروریخته مورد استفاده قرار گیرند.

گرچه این رویکرد محدودیت هایی دارد. این سیستم برای مقابله با انواع خاصی از موانع آموزش دیده بود، حتی اگر از نظر اندازه و پیکربندی متفاوت باشند. کارکردن آن در محیط‌های بدون ساختار بیشتر به آموزش بسیار بیشتری در سناریوهای متنوع‌تر نیاز دارد تا پالت گسترده‌تری از مهارت‌ها ایجاد شود. و این آموزش هم پیچیده و هم زمان بر است.

اما با این وجود تحقیقات نشان می دهد که ربات ها به طور فزاینده ای توانمند می شوند عملکرد در محیط های پیچیده و دنیای واقعی. این نشان می دهد که آنها به زودی می توانند حضور بسیار بیشتری در اطراف ما داشته باشند.

تصویر های اعتباری: ETH زوریخ

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/