Lichaamsbewustzijn: wetenschappers geven robots een basisgevoel van 'proprioceptie'

Veel experts geloven meer algemene vormen van kunstmatige intelligentie zal onmogelijk zijn zonder AI een lichaam te geven in de echte wereld. Een nieuwe aanpak waarmee robots kunnen leren hoe hun lichaam is geconfigureerd, zou dit proces kunnen versnellen.

Het vermogen om intuïtief de indeling en positionering van ons lichaam aan te voelen, iets dat bekend staat als proprioceptie, is een krachtig vermogen. Nog indrukwekkender is ons vermogen om ons interne model van hoe al deze onderdelen werken – en hoe ze samenwerken – bij te werken, afhankelijk van zowel interne factoren zoals letsel als externe factoren zoals een zware last.

Het repliceren van deze mogelijkheden in robots zullen van cruciaal belang zijn als ze veilig en effectief willen opereren in reële situaties. Veel AI-experts zijn ook van mening dat AI, om zijn volledige potentieel te kunnen verwezenlijken, fysiek belichaamd moet zijn, in plaats van simpelweg interactie te hebben met de echte wereld via abstracte media zoals taal. Machines een manier geven om te leren hoe hun lichaam werkt, is waarschijnlijk een cruciaal ingrediënt.

Nu heeft een team van de Technische Universiteit van München een nieuw soort machine learning-aanpak ontwikkeld waarmee een grote verscheidenheid aan verschillende robots de indeling van hun lichaam kunnen afleiden met behulp van niets anders dan feedback van sensoren die de beweging van hun ledematen volgen.

“De belichaming van een robot bepaalt zijn perceptuele en gedragsmatige mogelijkheden”, schrijven de onderzoekers in een papier in Science Robotics het werk beschrijven. “Robots die in staat zijn om autonoom en stapsgewijs inzicht te krijgen in hun morfologie, kunnen de toestand van hun dynamiek monitoren, de representatie van hun lichaam aanpassen en reageren op veranderingen daarin.”

Alle robots hebben een intern model van hun lichaam nodig om effectief te kunnen functioneren, maar dit is meestal hard gecodeerd of aangeleerd met behulp van externe meetapparatuur of camera's die hun bewegingen volgen. De nieuwe aanpak daarentegen probeert de lay-out van het lichaam van een robot te leren kennen met behulp van alleen gegevens van traagheidsmeeteenheden (sensoren die beweging detecteren) die op verschillende delen van de robot zijn geplaatst.

De aanpak van het team is gebaseerd op het feit dat er overlap zal zijn in de signalen van sensoren dichter bij elkaar of op dezelfde delen van het lichaam. Dit maakt het mogelijk om de gegevens van deze sensoren te analyseren om hun posities op het lichaam van de robot en hun relaties met elkaar te bepalen.

Ten eerste laat het team de robot sensomotorische gegevens genereren via 'motorgebrabbel', waarbij alle servo's van de machine gedurende korte perioden willekeurig worden geactiveerd om willekeurige bewegingen te genereren. Vervolgens gebruiken ze een machine learning-aanpak om uit te zoeken hoe de sensoren zijn gerangschikt en om subsets te identificeren die betrekking hebben op specifieke ledematen en gewrichten.

De onderzoekers pasten hun aanpak toe op een verscheidenheid aan robots, zowel in simulaties als in experimenten in de echte wereld, waaronder een robotarm, een kleine mensachtige robot en een zespotige robot. Ze lieten zien dat alle robots inzicht konden krijgen in de locatie van hun gewrichten en in welke richting die gewrichten stonden.

Belangrijker nog is dat de aanpak geen enorme dataset vereist, zoals de deep learning-methoden die ten grondslag liggen aan de meeste moderne AI, maar in plaats daarvan in realtime kan worden uitgevoerd. Dat opent het vooruitzicht op robots die zich direct kunnen aanpassen aan schade of de toevoeging van nieuwe lichaamsdelen of modules.

“We erkennen het belang van het vermogen van een robot om de kennis over zijn morfologie autonoom te beoordelen en voortdurend bij te werken”, schrijven de onderzoekers. “Het stapsgewijs leren van de morfologie zou robots in staat stellen hun parameters aan te passen om de veranderingen in de lichaamsstructuur te weerspiegelen die zouden kunnen voortvloeien uit zelf- of extern toegebrachte acties.”

Hoewel begrijpen hoe uw lichaam werkt slechts een klein onderdeel is van het leren uitvoeren van nuttige taken, is het wel een belangrijk ingrediënt. Door robots dit proprioceptie-achtige vermogen te geven, kunnen ze flexibeler, aanpasbaarder en veiliger worden.

Beeldcredits: xx / xx

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://singularityhub.com/2023/12/15/body-awareness-scientists-give-robots-a-basic-sense-of-proprioception/