211service.com
Een meester-algoritme laat robots zichzelf leren complexe taken uit te voeren
Ondanks al het gepraat over machines die intelligent worden, vereist het nog steeds vele uren zorgvuldig, geduldig programmeren om een geavanceerde robot iets complexs te laten doen, zoals het grijpen van een zwaar voorwerp en het van de ene plaats naar de andere verplaatsen.
Igor Mordatch , een postdoctoraal onderzoeker aan de University of California, Berkeley, werkt aan een andere aanpak - een die zou kunnen helpen de komst van robothelpers, zo niet opperheren, te bespoedigen. Hij geeft een robot een einddoel en een algoritme waarmee hij zelf kan uitzoeken hoe hij het doel kan bereiken. Dat is het soort onafhankelijkheid dat nodig is voor bijvoorbeeld een thuishulpbot om u betrouwbaar een kopje koffie van het aanrecht te halen.
Mordatch werkt in de laboratorium van Pieter Abbeel, een universitair hoofddocent robotica aan Berkeley. Toen ik dit jaar het lab bezocht, zag ik allerlei robots verschillende taken leren uitvoeren. Een grote witte onderzoeksrobot genaamd PR2, die een langwerpig hoofd heeft en twee armen met tangachtige handen, was langzaam aan het uitzoeken hoe hij heldere bouwstenen moest oppakken, door een nauwgezet en vaak onhandig proces van vallen en opstaan.
Terwijl hij werkt aan een beter leerproces, gebruikt Mordatch vooral software die robots nabootst. Dit virtuele model, voor het eerst ontwikkeld met zijn PhD-adviseur aan de Universiteit van Washington, Todorov , en een andere professor op de school, Zoran Popovic , heeft enig begrip van hoe contact te maken met de grond of met objecten. Het leeralgoritme zoekt vervolgens met behulp van deze richtlijnen naar de meest efficiënte manier om een doel te bereiken. Het enige dat we zeggen is: 'Dit is het doel, en de manier om het doel te bereiken is door te proberen de inspanning te minimaliseren', zegt Mordatch. [De motie] komt vervolgens uit deze twee principes.
De gesimuleerde robots van Mordatch zijn er in allerlei soorten en maten, weergegeven in blokvormige afbeeldingen die eruitzien als iets uit een niet-gevist videogame. Hij heeft zijn algoritme getest op mensachtige vormen; onthoofde, vierbenige wezens met absurd dikke lichamen; en zelfs gevleugelde creaties. In elk geval ontstaat er na een leerperiode opmerkelijk complex gedrag.
Zoals deze video laat zien, kan een humanoïde robot leren om vanuit elke positie op de grond op te staan en op twee benen te staan op een heel natuurlijk ogende manier; of het zal op een richel klauteren, of zelfs een hoofdstand uitvoeren. Hetzelfde proces werkt ongeacht de vorm die de robot aanneemt, en het kan zelfs twee robots in staat stellen om samen te werken aan een taak, zoals het verplaatsen van een zwaar voorwerp.
Voortbouwend op dit eerdere werk, bedacht Mordatch dit jaar een manier voor robots om repetitief gedrag uit te voeren, zoals lopen, rennen, zwemmen of vliegen. Een gesimuleerd neuraal netwerk wordt getraind om de robot te besturen met informatie over zijn lichaam, de fysieke omgeving en het doel om in een bepaalde richting te bewegen. Dit zorgt voor natuurlijk ogende voortbeweging in virtuele robots met een humanoïde lichaamsvorm en klapperende bewegingen in degenen die vleugels hebben. Wanneer een operator de robot vertelt waar hij heen moet, past zijn neurale netwerk de voortbeweging daarop aan.
Iets soortgelijks kan gebeuren bij mensen en andere dieren als ze leren bewegen. Een baby besteedt veel tijd aan het bedenken hoe hij zijn of haar lichaam moet bewegen en gebruikt die kennis later om snel en instinctief nieuwe bewegingen te plannen.
Dit spul is mooi, zegt Josh Tenenbaum , een professor in de afdeling Brain and Cognitive Science aan het MIT die bestudeert hoe mensen leren en werkt aan manieren om die principes op machines toe te passen. Ze proberen echt een probleem op te lossen waarvan ik denk dat maar heel weinig mensen tot voor kort hebben geprobeerd het op te lossen.
Mordatch begon onlangs enkele van zijn technieken te gebruiken in een kleine humanoïde robot genaamd Darwin (zie Robot Toddler leert te staan door zich voor te stellen hoe het moet). Het gebruik van dezelfde optimalisatie- en leertechnieken in de echte wereld is echter een grotere uitdaging, omdat de fysieke wereld complexer en onvoorspelbaarder is en omdat een algoritme onvolmaakte of luidruchtige informatie erover zal hebben.