Katso AI Robot Dog Rock agilitykurssilla, jota ei ole koskaan ennen nähty

Robotit, jotka tekevät akrobatiaa, voivat olla loistava markkinointitemppu, mutta tyypillisesti nämä näytöt ovat erittäin koreografisia ja huolella ohjelmoituja. Nyt tutkijat ovat kouluttaneet nelijalkaisen tekoälyrobotin selviytymään monimutkaisista, ennen näkemättömistä esteradoista todellisissa olosuhteissa.

Kettereiden robottien luominen on haastavaa johtuen todellisen maailman luontaisesta monimutkaisuudesta, robottien siitä kerättävän rajallisen datan määrästä ja dynaamisten liikkeiden tekemisen nopeudesta.

Boston Dynamicsin kaltaiset yritykset ovat julkaisseet säännöllisesti videoita roboteistaan, jotka tekevät kaiken parkour että tanssirutiinit. Mutta niin vaikuttavia kuin nämä saavutukset ovatkin, ne sisältävät yleensä ihmisten huolellisen ohjelmoinnin jokaisen askeleen tai harjoittelua samoissa erittäin kontrolloiduissa ympäristöissä yhä uudelleen ja uudelleen.

Tämä prosessi rajoittaa vakavasti kykyä siirtää taitoja todelliseen maailmaan. Mutta nyt sveitsiläisen ETH Zurichin tutkijat ovat käyttäneet koneoppimista opettaakseen robottikoiralleen ANYmalille joukon veturin perustaitoja, jotka se voi sitten yhdistää useisiin haastaviin esteradoihin sekä sisällä että ulkona nopeammilla nopeuksilla. 4.5 mailia tunnissa.

"Ehdotettu lähestymistapa mahdollistaa robotin liikkumisen ennennäkemättömällä ketteryydellä", kirjoittavat uuden tutkimuksen kirjoittajat Tiede-robotiikka. "Se voi nyt kehittyä monimutkaisissa kohtauksissa, joissa sen täytyy kiivetä ja hypätä suurilla esteillä samalla kun se valitsee ei-triviaalin polun kohti kohdepaikkaansa."

[Upotetun sisällön]

Joustavan mutta toimivan järjestelmän luomiseksi tutkijat jakoivat ongelman kolmeen osaan ja määrittelivät jokaiselle hermoverkon. Ensin he loivat havaintomoduulin, joka ottaa syötteitä kameroista ja lidarista ja rakentaa niiden avulla kuvan maastosta ja siinä olevista esteistä.

He yhdistivät tämän liikkumismoduuliin, joka oli oppinut luettelon taidoista, jotka on suunniteltu auttamaan sitä ylittämään erilaisia ​​esteitä, mukaan lukien hyppääminen, kiipeäminen, alas kiipeäminen ja kyykistyminen. Lopuksi he yhdistivät nämä moduulit navigointimoduuliin, joka pystyi kartoittamaan reitin useiden esteiden läpi ja päättämään, mitä taitoja hyödyntää niiden poistamiseksi.

"Korvaamme useimpien robottien standardiohjelmistot hermoverkoilla", Nikita Rudin, yksi paperin kirjoittajista, Nvidian insinööri ja tohtoriopiskelija ETH Zürichistä, kertoi New Scientist. "Tämän avulla robotti voi saavuttaa käyttäytymismalleja, jotka eivät muuten olisi mahdollisia."

Yksi tutkimuksen vaikuttavimmista puolista on se, että robotti koulutettiin simulaatioon. Suurin pullonkaula robotiikassa on kerätä tarpeeksi reaalimaailman dataa, josta robotit voivat oppia. Simulaatiot voivat auttaa keräämään tietoja paljon nopeammin saattamalla monia virtuaalirobotteja kokeisiin rinnakkain ja paljon suuremmalla nopeudella kuin fyysisten robottien kanssa on mahdollista.

Simulaatiossa opittujen taitojen kääntäminen todelliseen maailmaan on kuitenkin hankalaa, koska yksinkertaisten virtuaalimaailmojen ja erittäin monimutkaisen fyysisen maailman välillä on väistämätön kuilu. Sellaisen robottijärjestelmän kouluttaminen, joka voi toimia itsenäisesti näkymättömissä ympäristöissä sekä sisällä että ulkona, on suuri saavutus.

Koulutusprosessi perustui puhtaasti vahvistavaan oppimiseen – tehokkaasti yrityksen ja erehdyksen avulla – eikä ihmisten demonstraatioihin, mikä antoi tutkijoille mahdollisuuden kouluttaa tekoälymallia hyvin suuressa määrässä satunnaistettuja skenaarioita sen sijaan, että heidän olisi pitänyt merkitä jokainen manuaalisesti.

Toinen vaikuttava ominaisuus on, että kaikki toimii robottiin asennetuilla siruilla ulkoisten tietokoneiden sijaan. Ja sen lisäksi, että tutkijat pystyivät selviytymään erilaisista skenaarioista, tutkijat osoittivat, että ANYmal pystyi toipumaan kaatumisesta tai liukastumisesta suorittaakseen esteradan.

Tutkijat sanovat, että järjestelmän nopeus ja sopeutumiskyky viittaavat siihen, että tällä tavalla koulutettuja robotteja voitaisiin jonakin päivänä käyttää etsintä- ja pelastustehtäviin arvaamattomissa, vaikeasti navigoitavissa ympäristöissä, kuten raunioissa ja sortuneissa rakennuksissa.

Lähestymistavalla on kuitenkin rajoituksia. Järjestelmä on koulutettu käsittelemään tietyntyyppisiä esteitä, vaikka ne vaihtelevat kooltaan ja kokoonpanoltaan. Sen toimiminen jäsentymättömämmissä ympäristöissä vaatisi paljon enemmän koulutusta monipuolisemmissa skenaarioissa laajemman taitovalikoiman kehittämiseksi. Ja tämä koulutus on sekä monimutkaista että aikaa vievää.

Mutta tutkimus on kuitenkin osoitus siitä robotit ovat yhä kykenevämpiä monimutkaisissa, todellisissa ympäristöissä toimimisesta. Tämä viittaa siihen, että he voisivat pian olla paljon näkyvämpi läsnäolo ympärillämme.

Kuva pistetilanne: ETH Zurich

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/