Ten robot nauczył się samodzielnie chodzić

Robot uczący się chodzić całkowicie autonomicznie. Google

W ciągu 10 minut od narodzin młody jelonek jest w stanie wstać. W ciągu siedmiu godzin jest w stanie chodzić. Pomiędzy tymi dwoma kamieniami milowymi angażuje się w bardzo urocze, bardzo szalone wymachiwanie kończynami, aby to wszystko zrozumieć.

To jest idea robotyki opartej na sztucznej inteligencji. Podczas gdy roboty autonomiczne, podobnie jak samochody autonomiczne, są już znaną koncepcją, autonomicznie uczenie się roboty to wciąż tylko aspiracja. Istniejące algorytmy uczenia się przez wzmacnianie, które pozwalają robotom uczyć się ruchów metodą prób i błędów, nadal w dużej mierze opierają się na interwencji człowieka. Za każdym razem, gdy robot upada lub wychodzi ze środowiska treningowego, potrzebuje kogoś, kto go podniesie i ustawi z powrotem we właściwej pozycji.

Teraz nowe badanie badacze z Google poczynili ważny postęp w kierunku robotów, które mogą nauczyć się nawigować bez tej pomocy. W ciągu kilku godzin, polegając wyłącznie na poprawkach w aktualnych, najnowocześniejszych algorytmach, z powodzeniem nauczyli czworonożnego robota, aby nauczył się chodzić do przodu i do tyłu oraz skręcać w lewo i prawo, całkowicie samodzielnie.

Praca opiera się na poprzednie badania przeprowadzone rok temu, kiedy grupa po raz pierwszy odkryła, jak sprawić, by robot uczył się w prawdziwym świecie. Uczenie się ze wzmocnieniem jest powszechnie wykonywane w symulacji: wirtualny sobowtór robota miota się wokół wirtualnego sobowtóra środowiska, dopóki algorytm nie będzie wystarczająco solidny, aby działać bezpiecznie. Następnie jest importowany do fizycznego robota.

Ta metoda jest pomocna w unikaniu uszkodzenia robota i jego otoczenia podczas procesu prób i błędów, ale wymaga również środowiska łatwego do modelowania. Symulacja naturalnego rozsypywania się żwiru lub sprężyny materaca pod kroki robota trwa tak długo, że nawet nie warto.

W tym przypadku naukowcy postanowili całkowicie uniknąć wyzwań związanych z modelowaniem, szkoląc się od samego początku w prawdziwym świecie. Opracowali wydajniejszy algorytm, który może się uczyć przy mniejszej liczbie prób, a tym samym mniejszej liczbie błędów, i podnieśli robota do pracy w ciągu dwóch godzin. Ponieważ środowisko fizyczne zapewniało naturalną zmienność, robot był również w stanie szybko dostosować się do innych dość podobnych środowisk, takich jak pochyłości, stopnie i płaski teren z przeszkodami.

Ale człowiek nadal musiał opiekować się robotem i ręcznie ingerować setki razy, mówi Jie Tan, współautor artykułu, który kieruje zespołem robotyki lokomocji w Google Brain. Początkowo o tym nie myślałem, mówi.

Zaczęli więc rozwiązywać ten nowy problem. Najpierw ograniczyli teren, który robotowi pozwolono eksplorować, i kazali mu trenować wiele manewrów na raz. Gdyby robot dotarł do krawędzi ramki ograniczającej podczas nauki chodzenia do przodu, odwróciłby kierunek i zaczął uczyć się chodzenia do tyłu.

Po drugie, naukowcy ograniczyli również ruchy próbne robota, czyniąc go wystarczająco ostrożnym, aby zminimalizować uszkodzenia spowodowane wielokrotnym upadkiem. W czasach, gdy robot i tak nieuchronnie upadał, dodawali kolejny zakodowany algorytm, aby pomóc mu wstać.

Dzięki tym różnym poprawkom robot nauczył się samodzielnie chodzić po kilku różnych powierzchniach, w tym płaskiej ziemi, materacu z pianki z pamięcią kształtu i wycieraczce ze szczelinami. Praca pokazuje potencjał przyszłych zastosowań, które mogą wymagać od robotów poruszania się po nierównym i nieznanym terenie bez obecności człowieka.

Myślę, że ta praca jest dość ekscytująca, mówi Chelsea Finn, adiunkt w Stanford, która również jest powiązana z Google, ale nie jest zaangażowana w badania. Usunięcie osoby z procesu jest naprawdę trudne. Pozwalając robotom uczyć się bardziej autonomicznie, roboty są bliższe możliwości uczenia się w prawdziwym świecie, w którym żyjemy, a nie w laboratorium.

Ostrzega jednak, że konfiguracja obecnie opiera się na systemie przechwytywania ruchu nad robotem, aby określić jego lokalizację. To nie będzie możliwe w prawdziwym świecie.

Idąc dalej, naukowcy mają nadzieję dostosować swój algorytm do różnych rodzajów robotów lub do wielu robotów uczących się w tym samym czasie w tym samym środowisku. Ostatecznie, zdaniem Tan, pękanie lokomocji będzie kluczem do odblokowania bardziej użytecznych robotów.

Wiele miejsc buduje się dla ludzi i wszyscy mamy nogi, mówi. Jeśli robot nie może używać nóg, nie może poruszać się po ludzkim świecie.

Aby więcej takich historii trafiało bezpośrednio do Twojej skrzynki odbiorczej, zapisz się do naszego nominowanego przez Webby biuletynu AI The Algorithm. Jest wolne.

ukryć