Se en AI-robothund rocka en agilitybana som den aldrig sett förut

Robotar som gör akrobatik kan vara ett bra marknadsföringsknep, men vanligtvis är dessa skärmar mycket koreograferade och noggrant programmerade. Nu har forskare tränat en fyrbent AI-robot för att tackla komplexa, tidigare osynliga hinderbanor under verkliga förhållanden.

Att skapa agila robotar är utmanande på grund av den verkliga världens inneboende komplexitet, den begränsade mängden data som robotar kan samla in om den och den hastighet med vilken beslut måste fattas för att utföra dynamiska rörelser.

Företag som Boston Dynamics har regelbundet släppt videor på deras robotar som gör allt från parkour till dansrutiner. Men hur imponerande dessa bedrifter än är, de involverar vanligtvis människor som noggrant programmerar varje steg eller träning i samma mycket kontrollerade miljöer om och om igen.

Denna process begränsar allvarligt förmågan att överföra färdigheter till den verkliga världen. Men nu har forskare från ETH Zürich i Schweiz använt maskininlärning för att lära sin robothund ANYmal en svit av grundläggande lokomotivfärdigheter som den sedan kan sätta ihop för att ta sig an en mängd olika utmanande hinderbanor, både inomhus och utomhus, med uppåtgående hastigheter till 4.5 miles per timme.

"Det föreslagna tillvägagångssättet tillåter roboten att röra sig med oöverträffad smidighet", skriver författarna till en ny artikel om forskningen i Science Robotics. "Den kan nu utvecklas i komplexa scener där den måste klättra och hoppa på stora hinder samtidigt som den väljer en icke-trivial väg mot sin målplats."

[Inbäddat innehåll]

För att skapa ett flexibelt men ändå kapabelt system delade forskarna ner problemet i tre delar och tilldelade ett neuralt nätverk till var och en. Först skapade de en perceptionsmodul som tar input från kameror och lidar och använder dem för att bygga en bild av terrängen och eventuella hinder i den.

De kombinerade detta med en förflyttningsmodul som hade lärt sig en katalog med färdigheter utformade för att hjälpa den att ta sig över olika typer av hinder, inklusive att hoppa, klättra upp, klättra ner och huka sig. Slutligen slog de samman dessa moduler med en navigeringsmodul som kunde kartlägga en kurs genom en rad hinder och bestämma vilka färdigheter som skulle åberopas för att klara dem.

"Vi ersätter standardmjukvaran för de flesta robotar med neurala nätverk", Nikita Rudin, en av tidningens författare, ingenjör vid Nvidia och doktorand vid ETH Zürich, berättade New Scientist. "Detta tillåter roboten att uppnå beteenden som inte var möjliga annars."

En av de mest imponerande aspekterna av forskningen är det faktum att roboten tränades i simulering. En stor flaskhals inom robotik är att samla in tillräckligt med verklig data för robotar att lära av. Simuleringar kan hjälpa till att samla in data mycket snabbare genom att sätta många virtuella robotar genom försök parallellt och i mycket högre hastighet än vad som är möjligt med fysiska robotar.

Men att översätta färdigheter som lärts i simulering till den verkliga världen är knepigt på grund av det oundvikliga gapet mellan enkla virtuella världar och den enormt komplexa fysiska världen. Att träna ett robotsystem som kan arbeta autonomt i osynliga miljöer både inomhus och utomhus är en stor bedrift.

Utbildningsprocessen förlitade sig enbart på förstärkningsinlärning – effektivt försök och fel – snarare än mänskliga demonstrationer, vilket gjorde det möjligt för forskarna att träna AI-modellen på ett mycket stort antal randomiserade scenarier snarare än att behöva märka var och en manuellt.

En annan imponerande funktion är att allt körs på chips installerade i roboten, snarare än att förlita sig på externa datorer. Och förutom att kunna hantera en mängd olika scenarier, visade forskarna att ANYmal kunde återhämta sig från fall eller halkar för att slutföra hinderbanan.

Forskarna säger att systemets hastighet och anpassningsförmåga tyder på att robotar som tränats på detta sätt en dag kan användas för sök- och räddningsuppdrag i oförutsägbara, svårnavigerade miljöer som spillror och kollapsade byggnader.

Tillvägagångssättet har dock begränsningar. Systemet tränades för att hantera specifika typer av hinder, även om de varierade i storlek och konfiguration. Att få det att fungera i mer ostrukturerade miljöer skulle kräva mycket mer träning i mer olika scenarier för att utveckla en bredare palett av färdigheter. Och den träningen är både komplicerad och tidskrävande.

Men forskningen är ändå en indikation på det robotar blir alltmer kapabla att arbeta i komplexa, verkliga miljöer. Det tyder på att de snart kan vara en mycket mer synlig närvaro runt omkring oss.

Image Credit: ETH Zurich

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/