211service.com
Maluch robota uczy się stać, wyobrażając sobie, jak to zrobić
Jak wiele małych dzieci, Darwin czasami wygląda trochę niepewnie na nogach. Ale z każdym niezdarnym ruchem robot humanoidalny demonstruje nowy ważny sposób radzenia sobie androidów z trudnymi lub nieznanymi środowiskami. Robot uczy się wykonywać nowe zadanie, wykorzystując proces podobny do procesów neurologicznych, które stanowią podstawę uczenia się w dzieciństwie.
Darwin próbuje poruszać swoim torsem pod kontrolą kilku sieci neuronowych.
Darwin mieszka w laboratorium Pieter Abbeel , profesor nadzwyczajny na Uniwersytecie Kalifornijskim w Berkeley. Kiedy kilka tygodni temu zobaczyłem robota, był zawieszony na statywie fotograficznym na kawałku liny, co wyglądało trochę tragicznie. Chwilę wcześniej Darwin kręcił się na końcu liny, próbując wymyślić, jak najlepiej poruszać kończynami, aby wstać bez przewracania się.
Ruchy Darwina są kontrolowane przez kilka symulowanych sieci neuronowych — algorytmów, które naśladują sposób, w jaki uczenie się zachodzi w biologicznym mózgu, gdy połączenia między neuronami z czasem wzmacniają się i słabną w odpowiedzi na dane wejściowe. Podejście to wykorzystuje bardzo złożone sieci neuronowe, znane jako sieci głębokiego uczenia, które mają wiele warstw symulowanych neuronów.
Aby robot nauczył się na przykład stać i skręcać swoje ciało, najpierw wykonuje serię symulacji, aby wytrenować sieć głębokiego uczenia wysokiego poziomu, jak wykonać zadanie — coś, co badacze porównują do wyimaginowanego procesu. Zapewnia to ogólne wskazówki dla robota, podczas gdy druga sieć głębokiego uczenia jest szkolona do wykonywania zadania, jednocześnie reagując na dynamikę stawów robota i złożoność rzeczywistego środowiska. Druga sieć jest wymagana, ponieważ gdy pierwsza próbuje na przykład poruszyć nogą, tarcie występujące w punkcie kontaktu z ziemią może ją całkowicie odrzucić, powodując upadek robota.
Robot Darwin wykonuje różne czynności po uczeniu się w wirtualnym i rzeczywistym świecie.
Naukowcy nauczyli robota stać, poruszać ręką w celu wykonywania ruchów sięgających i pozostawać w pozycji pionowej, gdy ziemia pod nim się przechyla.
Ćwiczy w symulacji przez około godzinę, mówi Igor Mordatch , badacz z tytułem doktora na UC Berkeley, który przeprowadził badanie. Następnie w czasie wykonywania uczy się na bieżąco, jak się nie poślizgnąć.
Grupa Abbeela wykazała wcześniej, w jaki sposób głębokie uczenie może umożliwić robotowi wykonanie zadania, takiego jak przenoszenie zabawkowego elementu konstrukcyjnego przez ukształtowany otwór, w procesie prób i błędów. Nowe podejście jest ważne, ponieważ robot nie zawsze jest w stanie poddać się intensywnemu okresowi testów. A symulacjom brakuje złożoności, jaką można znaleźć w prawdziwym świecie, warunkach, które w przypadku robotów mogą doprowadzić do katastrofalnej awarii.
Staramy się radzić sobie z większą zmiennością, mówi Abbeel. Nawet niewielka zmienność poza tym, do czego została zaprojektowana, sprawia, że naprawdę trudno jest sprawić, by działał.
Nowa technika może okazać się przydatna dla każdego robota pracującego w różnych rzeczywistych środowiskach, ale może okazać się szczególnie przydatna w przypadku bardziej zgrabnej lokomocji na nogach. Obecne podejście polega na zaprojektowaniu algorytmu, który uwzględnia dynamikę procesu takiego jak chodzenie lub bieganie (patrz Roboty chodzące w ten sposób ). Ale takie modele mogą mieć trudności z radzenie sobie z zmiennością w prawdziwym świecie, ponieważ wiele humanoidalnych robotów biorących udział w DARPA Robotics Challenge zademonstrowane przewracając się podczas chodzenia po piasku lub gdy traci równowagę, sięgając, aby coś złapać (patrz Dlaczego roboty i ludzie, zmagani z wyzwaniem DARPA ). To było trochę sprawdzenie rzeczywistości, mówi Abbeel. Tak dzieje się w prawdziwym świecie.
Dieter Lis , profesor na wydziale informatyki i inżynierii na Uniwersytecie Waszyngtońskim, który specjalizuje się w percepcji i kontroli robotów, mówi, że uczenie się sieci neuronowych ma ogromny potencjał w robotyce. Jestem bardzo podekscytowany całym tym kierunkiem badań, mówi Fox. Problem jest zawsze, jeśli chcesz działać w prawdziwym świecie. Modele są niedoskonałe. Tam, gdzie pojawia się uczenie maszynowe, a zwłaszcza głębokie uczenie, uczenie się na podstawie rzeczywistych interakcji systemu.