Glem Boston Dynamics. Denne robot lærte sig selv at gå

Hybrid robotik

Et par robotben kaldet Cassie har været lært at gå ved hjælp af forstærkningslæring , træningsteknikken, der lærer AI'er kompleks adfærd via forsøg og fejl. Den to-benede robot lærte en række bevægelser fra bunden, herunder at gå på hug og mens han bar en uventet last.

Men kan det boogie? Forventningerne til, hvad robotter kan gøre, er høje takket være virale videoer udgivet af Boston Dynamics, som viser dens humanoide Atlas-robot stå på et ben, hoppe over kasser og dans . Disse videoer har fået millioner af visninger og har endda været det parodieret . Den kontrol, Atlas har over sine bevægelser, er imponerende, men de koreograferede sekvenser involverer nok en del håndjustering. (Boston Dynamics har ikke offentliggjort detaljer, så det er svært at sige hvor meget.)

'Disse videoer kan få nogle mennesker til at tro, at dette er et løst og nemt problem,' siger Zhongyu Li ved University of California, Berkeley, som arbejdede på Cassie sammen med sine kolleger. 'Men vi har stadig lang vej igen for at få humanoide robotter til at fungere pålideligt og leve i menneskelige miljøer.' Cassie kan endnu ikke danse, men at lære robotten i menneskestørrelse at gå selv, bringer den flere skridt tættere på at kunne håndtere en bred vifte af terræn og komme sig, når den snubler eller beskadiger sig selv.

Relateret historie

Disse virtuelle robotarme bliver klogere ved at træne hinanden Ved at spille et spil, hvor den ene forsøger at overliste den anden, kan OpenAIs bots lære at løse en lang række problemer uden omskoling.

Virtuelle begrænsninger: Forstærkningslæring er blevet brugt til at træne mange bots til at gå ind i simuleringer, men det er svært at overføre denne evne til den virkelige verden. Mange af de videoer, man ser af virtuelle agenter, er slet ikke realistiske, siger Chelsea Finn, en AI- og robotteknologiforsker ved Stanford University, som ikke var involveret i arbejdet. Små forskelle mellem de simulerede fysiske love inde i et virtuelt miljø og de virkelige fysiske love uden for det - såsom hvordan friktionen fungerer mellem en robots fødder og jorden - kan føre til store fejl, når en robot forsøger at anvende det, den har lært. En tung to-benet robot kan miste balancen og falde, hvis dens bevægelser er bare en lille smule ude.

Dobbeltsimulering: Men at træne en stor robot gennem trial and error i den virkelige verden ville være farligt. For at omgå disse problemer brugte Berkeley-teamet to niveauer af virtuelt miljø. I den første lærte en simuleret version af Cassie at gå ved at trække på en stor eksisterende database med robotbevægelser. Denne simulering blev derefter overført til et andet virtuelt miljø kaldet SimMechanics, der afspejler den virkelige verdens fysik med en høj grad af nøjagtighed - men til en pris i løbet af hastigheden. Først da Cassie så ud til at gå godt, blev den lærde gåmodel indlæst i selve robotten.

Den rigtige Cassie var i stand til at gå ved hjælp af modellen lært i simulering uden nogen ekstra finjustering. Den kunne gå på tværs af ujævnt og glat terræn, bære uventede byrder og komme sig efter at blive skubbet. Under testen beskadigede Cassie også to motorer i dets højre ben, men var i stand til at justere sine bevægelser for at kompensere. Finn synes, det er spændende arbejde. Edward Johns, der leder Robot Learning Lab på Imperial College London, er enig. Det er et af de mest succesrige eksempler, jeg har set, siger han.

Berkeley-holdet håber at bruge deres tilgang til at tilføje Cassies repertoire af bevægelser. Men forvent ikke en dance-off lige nu.

skjule