Zobacz, jak pies-robot AI pokonuje tor zwinności, jakiego nigdy wcześniej nie widziano

Roboty wykonujące akrobacje mogą być świetną sztuczką marketingową, ale zazwyczaj te pokazy są szczegółowo opracowane choreograficznie i starannie zaprogramowane. Teraz badacze wyszkolili czworonożnego robota AI, aby pokonywał złożone, wcześniej niewidziane tory przeszkód w rzeczywistych warunkach.

Tworzenie zwinnych robotów stanowi wyzwanie ze względu na nieodłączną złożoność prawdziwego świata, ograniczoną ilość danych, jakie roboty mogą na jego temat zebrać, oraz szybkość, z jaką należy podejmować decyzje, aby wykonywać dynamiczne ruchy.

Firmy takie jak Boston Dynamics regularnie publikują filmy przedstawiające ich roboty wykonujące różne czynności parkour do układy taneczne. Choć te wyczyny są imponujące, zazwyczaj wymagają one od ludzi skrupulatnego programowania każdego kroku lub ciągłego szkolenia w tych samych, ściśle kontrolowanych środowiskach.

Proces ten poważnie ogranicza możliwość przeniesienia umiejętności do realnego świata. Ale teraz badacze z ETH Zurich w Szwajcarii wykorzystali uczenie maszynowe, aby nauczyć swojego psa-robota ANYmal zestawu podstawowych umiejętności lokomotywowych, które może następnie połączyć, aby pokonywać różnorodne wymagające tory przeszkód, zarówno w pomieszczeniu, jak i na zewnątrz, z prędkością dochodzącą do 4.5 mil na godzinę.

„Zaproponowane podejście pozwala robotowi poruszać się z niespotykaną dotąd zwinnością” – piszą autorzy nowej pracy na temat badań w Robotics Nauki. „Może teraz ewoluować w złożonych scenach, w których musi wspinać się i skakać po dużych przeszkodach, wybierając nietrywialną ścieżkę w stronę docelowej lokalizacji”.

[Osadzone treści]

Aby stworzyć elastyczny, ale wydajny system, badacze podzielili problem na trzy części i przypisali do każdej sieć neuronową. Najpierw stworzyli moduł percepcji, który pobiera dane wejściowe z kamer i lidara i wykorzystuje je do tworzenia obrazu terenu i wszelkich znajdujących się na nim przeszkód.

Połączyli to z modułem lokomocji, który nauczył się katalogu umiejętności mających pomóc mu w pokonywaniu różnego rodzaju przeszkód, w tym skakania, wspinania się, schodzenia i kucania. Na koniec połączyli te moduły z modułem nawigacyjnym, który mógł wytyczyć kurs przez szereg przeszkód i zdecydować, których umiejętności użyć, aby je usunąć.

„Zastępujemy standardowe oprogramowanie większości robotów sieciami neuronowymi” – Nikita Rudin, jeden z autorów artykułu, inżynier w firmie Nvidia i doktorant w ETH Zurich, powiedział New Scientist. „Dzięki temu robot może osiągać zachowania, które w innym przypadku nie byłyby możliwe”.

Jednym z najbardziej imponujących aspektów badań jest fakt, że robot został przeszkolony w zakresie symulacji. Głównym wąskim gardłem w robotyce jest gromadzenie wystarczającej ilości danych ze świata rzeczywistego, z których roboty mogą się uczyć. Symulacje mogą pomóc w znacznie szybszym gromadzeniu danych poprzez poddanie wielu wirtualnych robotów próbom równolegle i ze znacznie większą szybkością niż jest to możliwe w przypadku robotów fizycznych.

Jednak przełożenie umiejętności zdobytych podczas symulacji na świat rzeczywisty jest trudne ze względu na nieuniknioną lukę między prostymi światami wirtualnymi a niezwykle złożonym światem fizycznym. Dużym osiągnięciem jest wyszkolenie systemu robotycznego, który może działać autonomicznie w niewidocznym środowisku, zarówno w pomieszczeniach, jak i na zewnątrz.

Proces szkolenia opierał się wyłącznie na uczeniu się przez wzmacnianie – w praktyce metodą prób i błędów – a nie na demonstracjach na ludziach, co umożliwiło naukowcom wyszkolenie modelu sztucznej inteligencji na bardzo dużej liczbie losowych scenariuszy zamiast konieczności ręcznego oznaczania każdego z nich.

Kolejną imponującą cechą jest to, że wszystko działa na chipach zainstalowanych w robocie, a nie na komputerach zewnętrznych. Badacze wykazali, że ANYmal nie tylko jest w stanie stawić czoła różnorodnym scenariuszom, ale także potrafi zregenerować się po upadkach lub poślizgach, aby pokonać tor przeszkód.

Naukowcy twierdzą, że szybkość i możliwości adaptacji systemu sugerują, że wyszkolone w ten sposób roboty będą mogły pewnego dnia zostać wykorzystane do misji poszukiwawczo-ratowniczych w nieprzewidywalnych i trudnych w nawigacji środowiskach, takich jak gruz i zawalone budynki.

Podejście to ma jednak ograniczenia. System został przeszkolony do radzenia sobie z określonymi rodzajami przeszkód, nawet jeśli różniły się one rozmiarem i konfiguracją. Uruchomienie go w bardziej nieustrukturyzowanych środowiskach wymagałoby znacznie więcej szkoleń w bardziej zróżnicowanych scenariuszach, aby rozwinąć szerszą paletę umiejętności. A to szkolenie jest zarówno skomplikowane, jak i czasochłonne.

Niemniej jednak badania na to wskazują roboty stają się coraz bardziej zdolne działania w złożonych, rzeczywistych środowiskach. Sugeruje to, że wkrótce mogą być znacznie bardziej widoczne wokół nas.

Kredytowych Image: ETH Zurich

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/