Robots die acrobatische prestaties leveren kunnen een geweldige marketingtruc zijn, maar doorgaans zijn deze displays zeer gechoreografeerd en nauwgezet geprogrammeerd. Nu hebben onderzoekers een vierpotige AI-robot getraind om complexe, voorheen ongeziene hindernisbanen in reële omstandigheden aan te pakken.

Het creëren van wendbare robots is een uitdaging vanwege de inherente complexiteit van de echte wereld, de beperkte hoeveelheid gegevens die robots erover kunnen verzamelen en de snelheid waarmee beslissingen moeten worden genomen om dynamische bewegingen uit te voeren.

Bedrijven als Boston Dynamics hebben regelmatig video's uitgebracht waarin hun robots alles doen parkour naar dans routines. Maar hoe indrukwekkend deze prestaties ook zijn, meestal gaat het om mensen die elke stap of training nauwgezet programmeren in dezelfde, streng gecontroleerde omgevingen, keer op keer.

Dit proces beperkt het vermogen om vaardigheden over te dragen naar de echte wereld ernstig. Maar nu hebben onderzoekers van de ETH Zürich in Zwitserland machinaal leren gebruikt om hun robothond ANYmal een reeks basislocomotiefvaardigheden te leren die hij vervolgens aan elkaar kan rijgen om een ​​grote verscheidenheid aan uitdagende hindernisbanen aan te pakken, zowel binnen als buiten, met snelheden van meer dan tot 4.5 mijl per uur.

“De voorgestelde aanpak zorgt ervoor dat de robot met ongekende behendigheid kan bewegen”, schrijven de auteurs van een nieuw artikel over het onderzoek in Science Robotics. “Het kan nu evolueren in complexe scènes waarin het op grote obstakels moet klimmen en springen terwijl het een niet-triviaal pad naar zijn doellocatie moet kiezen.”

[Ingesloten inhoud]

Om een ​​flexibel maar capabel systeem te creëren, hebben de onderzoekers het probleem in drie delen opgedeeld en aan elk deel een neuraal netwerk toegewezen. Eerst hebben ze een perceptiemodule gemaakt die input van camera's en lidar gebruikt en deze gebruikt om een ​​beeld te vormen van het terrein en eventuele obstakels daarin.

Ze combineerden dit met een voortbewegingsmodule die een catalogus met vaardigheden had geleerd die waren ontworpen om hem te helpen verschillende soorten obstakels te overwinnen, waaronder springen, omhoog klimmen, naar beneden klimmen en hurken. Ten slotte voegden ze deze modules samen met een navigatiemodule die een route door een reeks obstakels kon uitstippelen en kon beslissen welke vaardigheden ze moesten gebruiken om ze te overwinnen.

“We vervangen de standaardsoftware van de meeste robots door neurale netwerken”, zegt Nikita Rudin, een van de auteurs van het artikel, een ingenieur bij Nvidia en een PhD-student aan de ETH Zürich, vertelde New Scientist. “Hierdoor kan de robot gedrag bereiken dat anders niet mogelijk zou zijn.”

Een van de meest indrukwekkende aspecten van het onderzoek is het feit dat de robot is getraind in simulatie. Een groot knelpunt in de robotica is het verzamelen van voldoende gegevens uit de echte wereld waar robots van kunnen leren. Simulaties kunnen dat helpen veel sneller gegevens te verzamelen door veel virtuele robots parallel en met veel grotere snelheid aan beproevingen te onderwerpen dan mogelijk is met fysieke robots.

Maar het vertalen van vaardigheden die je in simulatie hebt geleerd naar de echte wereld is lastig vanwege de onvermijdelijke kloof tussen eenvoudige virtuele werelden en de enorm complexe fysieke wereld. Het trainen van een robotsysteem dat autonoom kan opereren in onzichtbare omgevingen, zowel binnen als buiten, is een grote prestatie.

Het trainingsproces was puur gebaseerd op versterkend leren (in feite vallen en opstaan) in plaats van op menselijke demonstraties, waardoor de onderzoekers het AI-model konden trainen op een zeer groot aantal gerandomiseerde scenario's in plaats van elk handmatig te moeten labelen.

Een ander indrukwekkend kenmerk is dat alles draait op chips die in de robot zijn geïnstalleerd, in plaats van te vertrouwen op externe computers. En de onderzoekers konden niet alleen verschillende scenario's aan, maar lieten ook zien dat IEDEREEN kon herstellen van vallen of uitglijden om het hindernissenparcours te voltooien.

De onderzoekers zeggen dat de snelheid en het aanpassingsvermogen van het systeem suggereren dat op deze manier getrainde robots op een dag kunnen worden gebruikt voor zoek- en reddingsmissies in onvoorspelbare, moeilijk te navigeren omgevingen zoals puin en ingestorte gebouwen.

De aanpak kent wel beperkingen. Het systeem is getraind om met specifieke soorten obstakels om te gaan, ook al varieerden deze in grootte en configuratie. Om het in meer ongestructureerde omgevingen te laten werken, zou veel meer training in meer diverse scenario's nodig zijn om een ​​breder palet aan vaardigheden te ontwikkelen. En die training is zowel ingewikkeld als tijdrovend.

Maar het onderzoek is daar niettemin een indicatie voor Robots worden steeds capabeler van het werken in complexe, realistische omgevingen. Dat suggereert dat ze binnenkort overal om ons heen veel zichtbaarder zouden kunnen zijn.

Krediet van het beeld: ETH Zurich

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/