Se en AI Robot Dog Rock en Agility-bane som den aldri har sett før

Se en AI Robot Dog Rock en Agility-bane som den aldri har sett før

Tidsstempel: 14. mars 2024 3:09
Se en AI-robothund rocke et agilitykurs det har aldri sett før PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

Roboter som driver med akrobatikk kan være et godt markedsføringstriks, men vanligvis er disse skjermene svært koreograferte og møysommelig programmert. Nå har forskere trent en firbeint AI-robot til å takle komplekse, tidligere usett hinderløyper under virkelige forhold.

Å lage smidige roboter er utfordrende på grunn av den iboende kompleksiteten til den virkelige verden, den begrensede mengden data roboter kan samle inn om den, og hastigheten som beslutninger må tas for å utføre dynamiske bevegelser.

Selskaper som Boston Dynamics har jevnlig gitt ut videoer av robotene deres som gjør alt fra parkour til danserutiner. Men så imponerende som disse bragdene er, involverer de vanligvis mennesker som møysommelig programmerer hvert trinn eller trener i de samme svært kontrollerte miljøene om og om igjen.

Denne prosessen begrenser alvorlig evnen til å overføre ferdigheter til den virkelige verden. Men nå har forskere fra ETH Zürich i Sveits brukt maskinlæring for å lære robothunden sin ANYmal en rekke grunnleggende lokomotivferdigheter som den deretter kan sette sammen for å takle et bredt utvalg av utfordrende hinderløyper, både innendørs og utendørs, med en hastighet på opptil til 4.5 miles per time.

"Den foreslåtte tilnærmingen lar roboten bevege seg med enestående smidighet," skriver forfatterne av en ny artikkel om forskningen i Science Robotics. "Den kan nå utvikle seg i komplekse scener der den må klatre og hoppe på store hindringer mens den velger en ikke-triviell vei mot målstedet."

[Innebygd innhold]

For å lage et fleksibelt, men likevel kapabelt system, delte forskerne problemet ned i tre deler og tildelte et nevralt nettverk til hver. Først laget de en persepsjonsmodul som tar innspill fra kameraer og lidar og bruker dem til å bygge et bilde av terrenget og eventuelle hindringer i det.

De kombinerte dette med en bevegelsesmodul som hadde lært en katalog med ferdigheter designet for å hjelpe den å krysse forskjellige typer hindringer, inkludert hopping, klatring opp, klatre ned og huking. Til slutt slo de sammen disse modulene med en navigasjonsmodul som kunne kartlegge en kurs gjennom en rekke hindringer og bestemme hvilke ferdigheter de skulle bruke for å fjerne dem.

"Vi erstatter standardprogramvaren til de fleste roboter med nevrale nettverk," Nikita Rudin, en av artikkelforfatterne, ingeniør ved Nvidia og doktorgradsstudent ved ETH Zürich, fortalte New Scientist. "Dette lar roboten oppnå atferd som ellers ikke var mulig."

En av de mest imponerende aspektene ved forskningen er det faktum at roboten ble trent i simulering. En stor flaskehals innen robotikk er å samle nok virkelige data til at roboter kan lære av. Simuleringer kan bidra til å samle data mye raskere ved å sette mange virtuelle roboter gjennom forsøk parallelt og med mye større hastighet enn det som er mulig med fysiske roboter.

Men å oversette ferdigheter lært i simulering til den virkelige verden er vanskelig på grunn av det uunngåelige gapet mellom enkle virtuelle verdener og den enormt komplekse fysiske verdenen. Å trene et robotsystem som kan operere autonomt i usynlige omgivelser både innendørs og utendørs er en stor prestasjon.

Opplæringsprosessen var utelukkende avhengig av forsterkende læring – faktisk prøving og feiling – i stedet for menneskelige demonstrasjoner, noe som gjorde det mulig for forskerne å trene AI-modellen på et veldig stort antall randomiserte scenarier i stedet for å måtte merke hver enkelt manuelt.

En annen imponerende funksjon er at alt kjører på brikker installert i roboten, i stedet for å stole på eksterne datamaskiner. Og i tillegg til å kunne takle en rekke forskjellige scenarier, viste forskerne at ANYmal kunne komme seg etter fall eller utglidninger for å fullføre hinderløypa.

Forskerne sier at systemets hastighet og tilpasningsevne antyder at roboter som er trent på denne måten en dag kan brukes til søk og redningsoppdrag i uforutsigbare, vanskelige å navigere miljøer som steinsprut og kollapsede bygninger.

Tilnærmingen har imidlertid begrensninger. Systemet ble opplært til å håndtere spesifikke typer hindringer, selv om de varierte i størrelse og konfigurasjon. Å få det til å fungere i mer ustrukturerte miljøer vil kreve mye mer opplæring i mer varierte scenarier for å utvikle en bredere palett av ferdigheter. Og at treningen er både komplisert og tidkrevende.

Men forskningen er likevel en indikasjon på det roboter blir stadig dyktigere å operere i komplekse, virkelige miljøer. Det antyder at de snart kan være en mye mer synlig tilstedeværelse rundt oss.

Bilde Credit: ETH Zurich

Tidstempel:

Mer fra Singularity Hub