Подивіться, як робот-собака зі штучним інтелектом проводить курс спритності, якого ще не бачили

Роботи, які займаються акробатичними вправами, можуть бути чудовим маркетинговим трюком, але, як правило, такі демонстрації мають гарну хореографію та ретельно запрограмовані. Тепер дослідники навчили чотириногого робота зі штучним інтелектом долати складні, раніше небачені смуги перешкод у реальних умовах.

Створення гнучких роботів є складним завданням через природну складність реального світу, обмежену кількість даних, які роботи можуть зібрати про нього, і швидкість, з якою потрібно приймати рішення для виконання динамічних рухів.

Такі компанії, як Boston Dynamics, регулярно публікують відео, на яких їхні роботи роблять все, що завгодно Паркур до танцювальні процедури. Але якими б вражаючими не були ці досягнення, вони зазвичай пов’язані з ретельним програмуванням кожного кроку або тренуваннями в тих самих висококонтрольованих середовищах знову і знову.

Цей процес серйозно обмежує здатність переносити навички в реальний світ. Але тепер дослідники з ETH Zurich у Швейцарії використали машинне навчання, щоб навчити свого робота-собаку ANYmal набору базових навичок пересування, які потім він може об’єднати, щоб долати різноманітні складні смуги перешкод, як у приміщенні, так і на вулиці, зі швидкістю до до 4.5 миль на годину.

«Пропонований підхід дозволяє роботу рухатися з безпрецедентною спритністю», — пишуть автори нової статті про дослідження в Наука робототехніка. «Тепер він може розвиватися в складних сценах, де він повинен підніматися і стрибати через великі перешкоди, вибираючи нетривіальний шлях до свого цільового місця».

[Вбудоване вміст]

Щоб створити гнучку, але потужну систему, дослідники розбили проблему на три частини та призначили кожній нейронну мережу. По-перше, вони створили модуль сприйняття, який отримує вхідні дані від камер і лідарів і використовує їх для створення зображення місцевості та будь-яких перешкод на ній.

Вони поєднали це з модулем пересування, який навчився каталогу навичок, розроблених, щоб допомогти йому долати різні види перешкод, включаючи стрибки, лазіння вгору, сходження вниз і присідання. Нарешті вони об’єднали ці модулі з модулем навігації, який міг прокладати курс через серію перешкод і вирішувати, які навички використовувати, щоб їх подолати.

«Ми замінюємо стандартне програмне забезпечення більшості роботів нейронними мережами», — Микита Рудін, один із авторів статті, інженер Nvidia та аспірант ETH Zurich, сказав New Scientist. «Це дозволяє роботу досягати поведінки, яка інакше була б неможливою».

Одним із найбільш вражаючих аспектів дослідження є той факт, що робот був навчений симуляції. Основним вузьким місцем у робототехніці є збір достатньої кількості реальних даних, на яких роботи можуть вчитися. Симуляції можуть допомагають збирати дані набагато швидше шляхом проведення випробувань багатьох віртуальних роботів паралельно та з набагато більшою швидкістю, ніж це можливо з фізичними роботами.

Але перенести навички, отримані в симуляції, у реальний світ складно через неминучий розрив між простими віртуальними світами та надзвичайно складним фізичним світом. Навчання роботизованої системи, яка може працювати автономно в невидимих ​​середовищах як у приміщенні, так і на вулиці, є великим досягненням.

Процес навчання покладався виключно на навчання з підкріпленням — фактично методом проб і помилок — а не на людських демонстраціях, що дозволило дослідникам навчити модель штучного інтелекту на дуже великій кількості рандомізованих сценаріїв замість того, щоб позначати кожен вручну.

Ще одна вражаюча особливість полягає в тому, що все працює на мікросхемах, встановлених у роботі, а не покладається на зовнішні комп’ютери. Дослідники показали, що ANYmal не тільки здатний вирішувати різноманітні сценарії, але й може оговтатися від падінь або послизнутися, щоб подолати смугу перешкод.

Дослідники кажуть, що швидкість і здатність до адаптації системи вказують на те, що роботів, навчених таким чином, одного разу можна буде використовувати для пошуково-рятувальних місій у непередбачуваних, важкодоступних середовищах, таких як руїни та обвалені будівлі.

Однак підхід має обмеження. Систему було навчено справлятися з певними видами перешкод, навіть якщо вони відрізнялися за розміром і конфігурацією. Щоб змусити його працювати в більш неструктурованому середовищі, знадобиться набагато більше навчання в більш різноманітних сценаріях для розвитку ширшої палітри навичок. І ця підготовка і складна, і трудомістка.

Але дослідження тим не менше є свідченням цього роботи стають все більш спроможними роботи в складних середовищах реального світу. Це говорить про те, що незабаром вони можуть бути набагато помітнішими навколо нас.

Зображення Фото: ETH Zurich

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/