Glem Boston Dynamics. Denne roboten lærte seg selv å gå

Hybrid robotikk

Et par robotbein kalt Cassie har vært lært å gå ved hjelp av forsterkende læring , treningsteknikken som lærer AIs kompleks oppførsel via prøving og feiling. Den tobeinte roboten lærte en rekke bevegelser fra bunnen av, inkludert å gå på huk og mens han bar en uventet last.

Men kan det boogie? Forventningene til hva roboter kan gjøre blir høye takket være virale videoer lagt ut av Boston Dynamics, som viser den humanoide Atlas-roboten som står på ett ben, hopper over bokser og dans . Disse videoene har fått millioner av visninger og har til og med vært det parodiert . Kontrollen Atlas har over sine bevegelser er imponerende, men de koreograferte sekvensene innebærer nok mye håndtuning. (Boston Dynamics har ikke publisert detaljer, så det er vanskelig å si hvor mye.)

«Disse videoene kan få noen til å tro at dette er et løst og enkelt problem,» sier Zhongyu Li ved University of California, Berkeley, som jobbet på Cassie sammen med sine kolleger. 'Men vi har fortsatt en lang vei å gå for å få humanoide roboter til å operere og leve pålitelig i menneskelige miljøer.' Cassie kan ennå ikke danse, men å lære roboten på menneskelig størrelse å gå alene, gjør at den er flere skritt nærmere å kunne håndtere et bredt spekter av terreng og komme seg når den snubler eller skader seg selv.

Relatert historie

Disse virtuelle robotarmene blir smartere ved å trene hverandre Ved å spille et spill der den ene prøver å overliste den andre, kan OpenAIs bots lære å løse et bredt spekter av problemer uten omskolering.

Virtuelle begrensninger: Forsterkende læring har blitt brukt til å trene mange roboter til å gå inn i simuleringer, men å overføre den evnen til den virkelige verden er vanskelig. Mange av videoene du ser av virtuelle agenter er slett ikke realistiske, sier Chelsea Finn, en AI og robotikkforsker ved Stanford University, som ikke var involvert i arbeidet. Små forskjeller mellom de simulerte fysiske lovene i et virtuelt miljø og de virkelige fysiske lovene utenfor det – for eksempel hvordan friksjonen fungerer mellom en robots føtter og bakken – kan føre til store feil når en robot prøver å bruke det den har lært. En tung to-beint robot kan miste balansen og falle hvis bevegelsene er bare en liten bit av.

Dobbel simulering: Men å trene en stor robot gjennom prøving og feiling i den virkelige verden ville være farlig. For å omgå disse problemene brukte Berkeley-teamet to nivåer av virtuelt miljø. I den første lærte en simulert versjon av Cassie å gå ved å tegne på en stor eksisterende database med robotbevegelser. Denne simuleringen ble deretter overført til et andre virtuelt miljø kalt SimMechanics som speiler fysisk fysikk med høy grad av nøyaktighet - men til en kostnad i kjørehastighet. Bare en gang det så ut til at Cassie gikk bra, ble den lærde gåmodellen lastet inn i selve roboten.

Den ekte Cassie var i stand til å gå ved å bruke modellen lært i simulering uten ekstra finjustering. Den kunne gå over ulendt og glatt terreng, bære uventede laster og komme seg etter å ha blitt dyttet. Under testing skadet Cassie også to motorer i høyre ben, men var i stand til å justere bevegelsene for å kompensere. Finn synes dette er spennende arbeid. Edward Johns, som leder Robot Learning Lab ved Imperial College London er enig. Dette er et av de mest vellykkede eksemplene jeg har sett, sier han.

Berkeley-teamet håper å bruke sin tilnærming til å legge til Cassies repertoar av bevegelser. Men ikke forvent en dance-off når som helst snart.

gjemme seg