211service.com
En mesteralgoritme lader robotter lære sig selv at udføre komplekse opgaver
På trods af al snak om, at maskiner bliver intelligente, kræver det stadig mange timers omhyggelig, tålmodig programmering at få en sofistikeret robot til at gøre noget komplekst, som at gribe en tung genstand og flytte den fra et sted til et andet.
Igor Mordatch , en postdoc-stipendiat ved University of California, Berkeley, arbejder på en anden tilgang – en, der kan hjælpe med at fremskynde ankomsten af robothjælpere, hvis ikke overherrer. Han giver en robot et slutmål og en algoritme, der lader den selv finde ud af, hvordan den skal nå målet. Det er den form for uafhængighed, der vil være nødvendig for, for eksempel, en hjemmehjælpsbot til pålideligt at hente dig en kop kaffe fra disken.
Mordatch arbejder i lab af Pieter Abbeel, en lektor i robotteknologi ved Berkeley. Da jeg besøgte laboratoriet i år, så jeg alle mulige robotter lære at udføre forskellige opgaver. En stor hvid forskningsrobot kaldet PR2, som har et aflangt hoved og to arme med tanglignende hænder, var langsomt ved at finde ud af, hvordan man kunne samle lyse byggeklodser op gennem en omhyggelig og ofte klodset proces med trial and error.
Da han arbejder på en bedre undervisningsproces, bruger Mordatch hovedsageligt software, der simulerer robotter. Denne virtuelle model, som først blev udviklet sammen med hans ph.d.-rådgiver ved University of Washington, Todorov og en anden professor på skolen, Zoran Popovic , har en vis forståelse for, hvordan man får kontakt med jorden eller med genstande. Læringsalgoritmen bruger derefter disse retningslinjer til at søge efter den mest effektive måde at nå et mål på. Det eneste, vi siger, er 'Dette er målet, og måden at nå målet på er at forsøge at minimere indsatsen', siger Mordatch. [Forslaget] kommer derefter ud af disse to principper.
Mordatchs simulerede robotter kommer i alle mulige former og størrelser, gengivet i blokeret grafik, der ligner noget fra et ufisket videospil. Han har testet sin algoritme på humanoide former; hovedløse, firbenede væsner med absurd fede kroppe; og endda bevingede kreationer. I hvert tilfælde, efter en periode med læring, opstår der en bemærkelsesværdig kompleks adfærd.
Som denne video viser, kan en humanoid robot lære at rejse sig fra enhver position på jorden og stå på to ben på en meget naturlig måde; eller det vil klatre over på en afsats, eller endda udføre en hovedstand. Den samme proces fungerer, uanset hvilken form robotten har, og den kan endda gøre det muligt for to robotter at samarbejde om en opgave, såsom at flytte en tung genstand.
Med udgangspunkt i dette tidligere arbejde udtænkte Mordatch i år en måde, hvorpå robotter kunne udføre gentagne adfærd som at gå, løbe, svømme eller flyve. Et simuleret neuralt netværk er trænet til at styre robotten ved hjælp af information om dens krop, det fysiske miljø og målet om at bevæge sig i en bestemt retning. Dette frembringer naturligt tilsyneladende bevægelse i virtuelle robotter med en humanoid kropsform og flagrende bevægelser i dem, der har vinger. Når en operatør fortæller robotten, hvor den skal gå, tilpasser dens neurale netværk bevægelsesmidlerne i overensstemmelse hermed.
Noget lignende kan ske hos mennesker og andre dyr, når de lærer at bevæge sig rundt. Et spædbarn bruger meget tid på at finde ud af, hvordan det skal bevæge sin krop, og senere bruger den viden til hurtigt og instinktivt at planlægge nye bevægelser.
De her ting er smukke, siger Josh Tenenbaum , en professor i afdelingen for hjerne- og kognitiv videnskab ved MIT, der studerer, hvordan mennesker lærer og arbejder på måder at anvende disse principper på maskiner. De forsøger virkelig at løse et problem, som jeg tror, meget få mennesker har forsøgt at løse indtil for nylig.
Mordatch begyndte for nylig at bruge nogle af sine teknikker i en lille menneskelig robot kaldet Darwin (se Robottoddler lærer at stå ved at forestille sig, hvordan man gør det). Det er dog mere udfordrende at bruge de samme optimerings- og indlæringsteknikker i den virkelige verden, fordi den fysiske verden er mere kompleks og uforudsigelig, og fordi en algoritme vil have ufuldkommen eller støjende information om sig.