Štvornohý robot z MIT dosiahol novú rýchlosť svojimi skúsenosťami
- Autor:
- Roman Mališka
- Zverejnené:
- 30. 3. 2022
- Hodnotenie:
- Už ste hlasovali.
Štvornohý robot s názvom Mini Cheetah (mini gepard) z MIT prekonal svoj osobný rekord a dosiahol rýchlosť až 14,04 km / h vďaka novému systému zlepšenia učenia bez použitia modelov. Ten umožňuje robotovi, aby sám prišiel na najlepší spôsob behu a prispôsobil sa rôznym terénom bez toho, aby sa spoliehal na ľudskú analýzu.
Mini robotický gepard nie je najrýchlejším štvornohým robotom v okolí. V roku 2012 dosiahol jeho väčší súrodenec Cheetah maximálnu rýchlosť 45,5 km / h, no Mini Cheetah, ktorého vyvíjajú v laboratóriu MIT Improbable AI Lab a v Inštitúte umelej inteligencie a základných interakcií (IAIFI) Národnej vedeckej nadácie, je oveľa obratnejší a dokáže sa učiť aj bez toho, aby urobil krok.
Na zverejnenom videu je vidieť, ako štvornohý robot naráža do bariér a spamätáva sa z toho, preteká cez prekážky, beží s jednou nohou mimo prevádzky a prispôsobuje sa klzkému, zľadovatenému terénu, ako aj kopcom s voľne nasypaným štrkom. Táto schopnosť adaptácie je výsledkom jednoduchej neurónovej siete, ktorá dokáže vyhodnocovať nové situácie, ktoré môžu vystaviť štvornohého robota s pevným káblovým pripojením vysokému zaťaženiu.
Za normálnych okolností je spôsob pohybu robota riadený systémom, ktorý využíva údaje založené na analýze pohybu mechanických končatín na vytvorenie modelov, ktoré slúžia ako sprievodca. Tieto modely sú však často neefektívne a nedostatočné, pretože nie je možné predvídať každú nepredvídanú situáciu.
Keď robot beží maximálnou rýchlosťou, pracuje na hranici možností svojho hardvéru, čo veľmi sťažuje modelovanie, takže robot má problém rýchlo sa prispôsobiť náhlym zmenám v prostredí. Na prekonanie tohto problému sa tím MIT namiesto analyticky navrhnutých robotov, ktoré sa spoliehajú na ľudí analyzujúcich fyziku pohybu a manuálne konfigurujúcich hardvér a softvér robota, rozhodol pre robota, ktorý sa učí na základe vlastných skúseností.
V tomto prípade sa robot učí metódou pokusov a omylov bez účasti človeka. Ak má robot dostatok skúseností s rôznymi terénmi, môže byť nútený automaticky zlepšovať svoje správanie. A tieto skúsenosti ani nemusia byť v reálnom svete. Podľa tímu dokáže Mini Cheetah pomocou simulácií nazbierať 100 dní skúseností len za tri hodiny, keď stojí na mieste.
„Vyvinuli sme prístup, pomocou ktorého sa správanie robota zlepšuje na základe simulovaných skúseností, a náš prístup kriticky umožňuje aj úspešné nasadenie týchto naučených správaní v reálnom svete,“ uviedli doktorand MIT Gabriel Margolis a postdoktorand IAIFI Ge Yang. „Intuícia, ktorá stojí za tým, prečo zručnosti robota pri behu dobre fungujú v reálnom svete, znie: Zo všetkých prostredí, ktoré vidí v tomto simulátore, niektoré naučia robota zručnosti, ktoré sú užitočné v reálnom svete. Pri prevádzke v reálnom svete náš ovládač identifikuje a vykonáva príslušné zručnosti v reálnom čase“.
Výskumníci tvrdia, že s takýmto systémom je možné škálovať technológiu, čo tradičná paradigma nedokáže tak ľahko.
„Praktickejší spôsob, ako vytvoriť robota s mnohými rozmanitými zručnosťami, je povedať robotovi, čo má robiť, a nechať ho zistiť, ako,“ dodali Margolis a Yang. „Náš systém je toho príkladom. V našom laboratóriu sme túto paradigmu začali aplikovať na iné robotické systémy vrátane robotických rúk, ktoré dokážu zdvihnúť a manipulovať s mnohými rôznymi predmetmi“.
