211service.com
Deze robot heeft zichzelf geleerd helemaal alleen te lopen
Een robot die volledig autonoom leert lopen. Google
Binnen 10 minuten na de geboorte kan een reekalf staan. Binnen zeven uur kan hij lopen. Tussen die twee mijlpalen houdt het zich bezig met een zeer schattig, zeer hectisch zwaaien met ledematen om het allemaal uit te zoeken.
Dat is het idee achter AI-aangedreven robotica. Terwijl autonome robots, net als zelfrijdende auto's, al een bekend concept zijn, autonoom aan het leren robots zijn nog steeds slechts een ambitie. Bestaande algoritmen voor het leren van versterking waarmee robots bewegingen kunnen leren met vallen en opstaan, zijn nog steeds sterk afhankelijk van menselijk ingrijpen. Elke keer dat de robot valt of uit zijn trainingsomgeving loopt, heeft hij iemand nodig die hem oppakt en weer in de juiste positie zet.
nu een nieuwe studie van onderzoekers bij Google heeft een belangrijke vooruitgang geboekt in de richting van robots die kunnen leren navigeren zonder deze hulp. Binnen een paar uur, puur vertrouwend op aanpassingen aan de huidige state-of-the-art algoritmen, kregen ze met succes een vierbenige robot om te leren vooruit en achteruit te lopen, en volledig zelfstandig naar links en rechts te draaien.
Het werk bouwt voort op vorig onderzoek een jaar geleden uitgevoerd, toen de groep er voor het eerst achter kwam hoe ze de robot in de echte wereld konden laten leren. Versterkend leren wordt vaak gedaan in simulatie: een virtuele dubbelganger van de robot fladdert rond een virtuele dubbelganger van de omgeving totdat het algoritme robuust genoeg is om veilig te werken. Het wordt vervolgens geïmporteerd in de fysieke robot.
Deze methode is handig om schade aan een robot en zijn omgeving tijdens het trial-and-error-proces te voorkomen, maar vereist ook een omgeving die eenvoudig te modelleren is. De natuurlijke verstrooiing van grind of de veer van een matras onder de voetstappen van een robot duurt zo lang om te simuleren dat het niet eens de moeite waard is.
In dit geval besloten de onderzoekers om modelleringsuitdagingen helemaal te vermijden door vanaf het begin in de echte wereld te trainen. Ze bedachten een efficiënter algoritme dat met minder proeven en dus minder fouten kon leren, en kregen de robot binnen twee uur weer op gang. Omdat de fysieke omgeving voor natuurlijke variatie zorgde, kon de robot zich ook snel aanpassen aan andere redelijk vergelijkbare omgevingen, zoals hellingen, trappen en vlak terrein met obstakels.
Maar een mens moest nog steeds op de robot passen en honderden keren handmatig tussenbeide komen, zegt Jie Tan, een co-auteur van het papier die leiding geeft aan het robotica-locomotieteam bij Google Brain. Daar dacht ik in eerste instantie niet aan, zegt hij.
Dus begonnen ze dit nieuwe probleem op te lossen. Eerst begrensden ze het terrein dat de robot mocht verkennen en lieten ze hem op meerdere manoeuvres tegelijk trainen. Als de robot de rand van het begrenzingsvak zou bereiken terwijl hij leerde vooruit te lopen, zou hij van richting veranderen en in plaats daarvan leren achteruit te lopen.
Ten tweede beperkten de onderzoekers ook de proefbewegingen van de robot, waardoor deze voorzichtig genoeg was om schade door herhaaldelijk vallen te minimaliseren. In tijden dat de robot toch onvermijdelijk viel, voegden ze nog een hardgecodeerd algoritme toe om hem te helpen weer op te staan.
Door deze verschillende aanpassingen leerde de robot autonoom over verschillende oppervlakken te lopen, waaronder vlakke grond, een traagschuimmatras en een deurmat met spleten. Het werk toont het potentieel voor toekomstige toepassingen waarbij robots mogelijk door ruw en onbekend terrein moeten navigeren zonder de aanwezigheid van een mens.
Ik vind dit werk best spannend, zegt Chelsea Finn, een assistent-professor aan Stanford die ook verbonden is aan Google, maar niet betrokken is bij het onderzoek. Het is heel moeilijk om de persoon uit het proces te verwijderen. Door robots meer autonoom te laten leren, zijn robots dichter bij het leren in de echte wereld waarin we leven, in plaats van in een laboratorium.
Ze waarschuwt echter dat de opstelling momenteel afhankelijk is van een bewegingsregistratiesysteem boven de robot om zijn locatie te bepalen. Dat zal in de echte wereld niet mogelijk zijn.
In de toekomst hopen de onderzoekers hun algoritme aan te passen aan verschillende soorten robots of aan meerdere robots die tegelijkertijd in dezelfde omgeving leren. Uiteindelijk gelooft Tan dat het kraken van motoriek de sleutel zal zijn om meer bruikbare robots te ontgrendelen.
Veel plaatsen zijn gebouwd voor mensen, en we hebben allemaal benen, zegt hij. Als een robot geen benen kan gebruiken, kunnen ze niet door de mensenwereld navigeren.
Meld u aan voor onze Webby-genomineerde AI-nieuwsbrief The Algorithm om meer van dit soort verhalen rechtstreeks in uw inbox te ontvangen. Het is gratis.