Nézzen meg egy mesterséges intelligencia robotkutyát egy agility pályán, amilyenre még soha nem volt példa

Nézzen meg egy mesterséges intelligencia robotkutyát egy agility pályán, amilyenre még soha nem volt példa

Időbélyeg: 14. március 2024. 3:09
Nézzen meg egy AI Robot Dog Rock egy agility tanfolyamot, amelyre a PlatoBlockchain Data Intelligence előtt még nem volt példa. Függőleges keresés. Ai.

Az akrobatikus bravúrokat végrehajtó robotok nagyszerű marketingtrükkök lehetnek, de ezek a kijelzők általában nagyon koreografáltak és gondosan programozhatók. A kutatók most egy négylábú AI-robotot képeztek ki, hogy valós körülmények között tudjon megküzdeni bonyolult, korábban nem látott akadálypályákkal.

Agilis robotok létrehozása kihívást jelent a valós világ összetettsége, a robotok által róla gyűjthető adat korlátozott mennyisége, valamint a dinamikus mozgások végrehajtásához szükséges döntések gyorsasága miatt.

Az olyan cégek, mint a Boston Dynamics, rendszeresen közzétettek videókat robotjaikról, amelyekről mindent megtesznek parkour nak nek táncrendek. De bármilyen lenyűgözőek is ezek a bravúrok, jellemzően az emberek minden lépését gondosan programozzák, vagy ugyanazon a szigorúan ellenőrzött környezetben edzenek újra és újra.

Ez a folyamat komolyan korlátozza a képességek valós világba való átadását. Most azonban a svájci ETH Zurich kutatói gépi tanulást alkalmaztak, hogy ANYmal robotkutyájukat megtanítsák olyan alapvető mozdonykészségekre, amelyeket azután összefűzve sokféle kihívást jelentő akadálypályán tud megbirkózni beltéren és kültéren egyaránt, nagy sebességgel. 4.5 mérföld/óra sebességre.

"A javasolt megközelítés lehetővé teszi a robot számára, hogy soha nem látott mozgékonysággal mozogjon" - írják a kutatásról szóló új tanulmány szerzői. Tudományos robotika. „Most már bonyolult jelenetekben is fejlődhet, ahol nagy akadályokon kell másznia és ugrálnia, miközben egy nem triviális utat választ a célhelye felé.”

[Beágyazott tartalmat]

Egy rugalmas, de jól működő rendszer létrehozása érdekében a kutatók három részre bontották a problémát, és mindegyikhez egy neurális hálózatot rendeltek. Először is létrehoztak egy észlelési modult, amely a kameráktól és a lidartól veszi a bemenetet, és ezek alapján képet alkot a terepről és a benne lévő akadályokról.

Ezt egy mozgásmodullal kombinálták, amely egy katalógust tanult meg a különféle akadályokon való átjutáshoz, beleértve az ugrást, felmászást, lemászást és guggolást. Végül egyesítették ezeket a modulokat egy navigációs modullal, amely képes volt feltérképezni az útvonalat egy sor akadályon keresztül, és eldönteni, hogy mely készségeket kell igénybe vennie azok eltávolításához.

„A legtöbb robot szabványos szoftverét neurális hálózatokra cseréljük” – mondta Nikita Rudin, a cikk egyik szerzője, az Nvidia mérnöke és az ETH Zürich doktorandusza. mondta New Scientist. "Ez lehetővé teszi a robot számára, hogy olyan viselkedést érjen el, amely másként nem lehetséges."

A kutatás egyik leglenyűgözőbb aspektusa az, hogy a robotot szimulációra képezték ki. A robotika egyik fő szűk keresztmetszete az, hogy elegendő valós adatot gyűjtsenek össze, hogy a robotok tanulhassanak belőle. A szimulációk képesek gyorsabb adatgyűjtést tesz lehetővé sok virtuális robot kipróbálásával párhuzamosan és sokkal nagyobb sebességgel, mint a fizikai robotoknál lehetséges.

A szimulációban elsajátított készségek valós világra fordítása azonban bonyolult az egyszerű virtuális világok és a rendkívül összetett fizikai világ közötti elkerülhetetlen szakadék miatt. Egy olyan robotrendszer betanítása, amely láthatatlan környezetben, kültéren és beltéren egyaránt képes önállóan működni, jelentős eredmény.

A képzési folyamat pusztán a megerősítő tanuláson – gyakorlatilag próba és hiba – alapult, nem pedig emberi demonstrációkon, amelyek lehetővé tették a kutatók számára, hogy a mesterséges intelligencia modelljét nagyon sok véletlenszerű forgatókönyvre képezzék ki, ahelyett, hogy mindegyiket kézzel kellett volna címkézniük.

Egy másik lenyűgöző funkció, hogy minden a robotba telepített chipeken működik, nem pedig külső számítógépekre hagyatkozva. A kutatók amellett, hogy képesek voltak különféle forgatókönyveket megbirkózni, bebizonyították, hogy az ANYmal képes felépülni az esések vagy megcsúszások után, hogy teljesítse az akadálypályát.

A kutatók szerint a rendszer sebessége és alkalmazkodóképessége azt sugallja, hogy az ilyen módon kiképzett robotokat egy napon kutatási és mentési küldetésekre is felhasználhatják kiszámíthatatlan, nehezen navigálható környezetben, például törmelékekben és összedőlt épületekben.

A megközelítésnek azonban vannak korlátai. A rendszert arra képezték ki, hogy megbirkózzon bizonyos típusú akadályokkal, még akkor is, ha azok mérete és konfigurációja eltérő. Ahhoz, hogy strukturálatlanabb környezetben is működjön, sokkal több képzésre lenne szükség a változatosabb forgatókönyvekben, hogy a készségek szélesebb palettáját fejlesszük ki. És ez a képzés bonyolult és időigényes.

A kutatás azonban ezt jelzi a robotok egyre alkalmasabbakká válnak összetett, valós környezetekben való működésről. Ez arra utal, hogy hamarosan sokkal láthatóbban jelenhetnek meg körülöttünk.

Kép: ETH Zürich

Időbélyeg:

Még több Singularity Hub