Roboter, die akrobatische Kunststücke vollbringen, mögen ein toller Marketingtrick sein, aber typischerweise sind diese Darbietungen stark choreografiert und sorgfältig programmiert. Jetzt haben Forscher einen vierbeinigen KI-Roboter darauf trainiert, komplexe, bisher unbekannte Hindernisparcours unter realen Bedingungen zu bewältigen.

Die Entwicklung agiler Roboter ist aufgrund der inhärenten Komplexität der realen Welt, der begrenzten Menge an Daten, die Roboter über sie sammeln können, und der Geschwindigkeit, mit der Entscheidungen zur Ausführung dynamischer Bewegungen getroffen werden müssen, eine Herausforderung.

Unternehmen wie Boston Dynamics haben regelmäßig Videos veröffentlicht, in denen ihre Roboter alles Mögliche zeigen parkour zu Tanzroutinen. Aber so beeindruckend diese Leistungen auch sind, sie erfordern in der Regel, dass Menschen jeden Schritt sorgfältig programmieren oder immer wieder in denselben streng kontrollierten Umgebungen trainieren.

Dieser Prozess schränkt die Fähigkeit, Fähigkeiten auf die reale Welt zu übertragen, erheblich ein. Doch jetzt haben Forscher der ETH Zürich in der Schweiz maschinelles Lernen genutzt, um ihrem Roboterhund ANYmal eine Reihe grundlegender Lokomotivfähigkeiten beizubringen, die er dann kombinieren kann, um eine Vielzahl anspruchsvoller Hindernisparcours sowohl drinnen als auch draußen mit Höchstgeschwindigkeit zu bewältigen bis 4.5 Meilen pro Stunde.

„Der vorgeschlagene Ansatz ermöglicht es dem Roboter, sich mit beispielloser Agilität zu bewegen“, schreiben die Autoren eines neuen Artikels über die Forschung in Wissenschaft Robotics. „Es kann sich nun in komplexen Szenen weiterentwickeln, in denen es auf große Hindernisse klettern und springen und dabei einen nicht trivialen Weg zu seinem Zielort wählen muss.“

[Eingebetteten Inhalt]

Um ein flexibles und dennoch leistungsfähiges System zu schaffen, zerlegten die Forscher das Problem in drei Teile und ordneten jedem ein neuronales Netzwerk zu. Zunächst erstellten sie ein Wahrnehmungsmodul, das die Eingaben von Kameras und Lidar aufnimmt und daraus ein Bild des Geländes und aller darin befindlichen Hindernisse erstellt.

Sie kombinierten dies mit einem Fortbewegungsmodul, das eine Reihe von Fähigkeiten erlernt hatte, die ihm beim Überwinden verschiedener Arten von Hindernissen helfen sollten, darunter Springen, Hochklettern, Herunterklettern und Hocken. Schließlich haben sie diese Module mit einem Navigationsmodul zusammengeführt, das einen Kurs durch eine Reihe von Hindernissen bestimmen und entscheiden konnte, welche Fähigkeiten zum Überwinden dieser Hindernisse eingesetzt werden sollten.

„Wir ersetzen die Standardsoftware der meisten Roboter durch neuronale Netze“, sagt Nikita Rudin, einer der Autoren des Papiers, Ingenieur bei Nvidia und Doktorand an der ETH Zürich. sagte New Scientist. „Dadurch kann der Roboter Verhaltensweisen erreichen, die sonst nicht möglich wären.“

Einer der beeindruckendsten Aspekte der Forschung ist die Tatsache, dass der Roboter in Simulationen trainiert wurde. Ein großer Engpass in der Robotik besteht darin, genügend reale Daten zu sammeln, aus denen Roboter lernen können. Simulationen können helfen dabei, Daten viel schneller zu sammeln indem viele virtuelle Roboter parallel und mit viel höherer Geschwindigkeit getestet werden, als dies mit physischen Robotern möglich ist.

Doch die Übertragung der in der Simulation erlernten Fähigkeiten auf die reale Welt ist aufgrund der unvermeidlichen Kluft zwischen einfachen virtuellen Welten und der äußerst komplexen physischen Welt schwierig. Die Ausbildung eines Robotersystems, das in unsichtbaren Umgebungen sowohl drinnen als auch draußen autonom agieren kann, ist eine große Errungenschaft.

Der Trainingsprozess basierte ausschließlich auf Verstärkungslernen – praktisch Versuch und Irrtum – und nicht auf menschlichen Demonstrationen, was es den Forschern ermöglichte, das KI-Modell anhand einer sehr großen Anzahl zufälliger Szenarien zu trainieren, anstatt jedes manuell beschriften zu müssen.

Ein weiteres beeindruckendes Merkmal ist, dass alles auf im Roboter installierten Chips läuft und nicht auf externe Computer angewiesen ist. Und die Forscher zeigten, dass ANYmal nicht nur in der Lage war, eine Vielzahl unterschiedlicher Szenarien zu meistern, sondern sich auch von Stürzen oder Ausrutschern erholen konnte, um den Hindernisparcours zu absolvieren.

Die Forscher sagen, dass die Geschwindigkeit und Anpassungsfähigkeit des Systems darauf hindeutet, dass auf diese Weise trainierte Roboter eines Tages für Such- und Rettungsmissionen in unvorhersehbaren, schwer zu navigierenden Umgebungen wie Trümmern und eingestürzten Gebäuden eingesetzt werden könnten.

Der Ansatz weist jedoch Einschränkungen auf. Das System wurde darauf trainiert, mit bestimmten Arten von Hindernissen umzugehen, auch wenn diese sich in Größe und Konfiguration unterscheiden. Um es in unstrukturierteren Umgebungen zum Laufen zu bringen, wäre viel mehr Training in vielfältigeren Szenarien erforderlich, um eine breitere Palette an Fähigkeiten zu entwickeln. Und diese Schulung ist sowohl kompliziert als auch zeitaufwändig.

Aber die Forschung ist dennoch ein Hinweis darauf Roboter werden immer leistungsfähiger in komplexen, realen Umgebungen zu agieren. Das deutet darauf hin, dass sie bald überall um uns herum viel sichtbarer präsent sein könnten.

Bild-Kredit: ETH Zürich

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/