211service.com
Robotpeuter leert staan door zich voor te stellen hoe hij het moet doen
Zoals veel peuters staat Darwin soms wat onvast op de been. Maar met elke onhandige beweging demonstreert de humanoïde robot een belangrijke nieuwe manier voor androïden om met uitdagende of onbekende omgevingen om te gaan. De robot leert een nieuwe taak uit te voeren door een proces te gebruiken dat enigszins lijkt op de neurologische processen die ten grondslag liggen aan het leren van kinderen.
Darwin probeert zijn romp te bewegen onder controle van verschillende neurale netwerken.
Darwin woont in het lab van Pieter Abbeel , een universitair hoofddocent aan de Universiteit van Californië, Berkeley. Toen ik de robot een paar weken geleden zag, hing hij aan een camerastatief met een stuk touw, wat er een beetje tragisch uitzag. Een tijdje daarvoor had Darwin aan het uiteinde van het touw geworsteld en geprobeerd uit te vinden hoe hij zijn ledematen het beste kon bewegen om op te staan zonder om te vallen.
De bewegingen van Darwin worden bestuurd door verschillende gesimuleerde neurale netwerken - algoritmen die de manier nabootsen van leren in een biologisch brein, aangezien de verbindingen tussen neuronen in de loop van de tijd sterker en zwakker worden als reactie op input. De aanpak maakt gebruik van zeer complexe neurale netwerken, die bekend staan als deep learning-netwerken, die vele lagen gesimuleerde neuronen hebben.
Om de robot bijvoorbeeld te laten leren staan en zijn lichaam te draaien, voert hij eerst een reeks simulaties uit om een diepgaand lerend netwerk op hoog niveau te trainen hoe de taak moet worden uitgevoerd - iets wat de onderzoekers vergelijken met een denkbeeldig proces. Dit biedt algemene begeleiding voor de robot, terwijl een tweede deep learning-netwerk wordt getraind om de taak uit te voeren terwijl het reageert op de dynamiek van de gewrichten van de robot en de complexiteit van de echte omgeving. Het tweede netwerk is nodig omdat wanneer het eerste netwerk bijvoorbeeld een been probeert te bewegen, de wrijving die wordt ervaren op het contactpunt met de grond, het volledig kan weggooien, waardoor de robot valt.
Darwin de robot voert verschillende acties uit na virtueel en real-world leren.
De onderzoekers lieten de robot leren staan, zijn hand bewegen om reikende bewegingen uit te voeren en rechtop te blijven staan als de grond eronder kantelt.
Het oefent ongeveer een uur in simulatie, zegt Igor Mordatch , een postdoctoraal onderzoeker aan UC Berkeley die het onderzoek uitvoerde. Dan leert het tijdens runtime hoe je niet moet uitglijden.
De groep van Abbeel heeft eerder laten zien hoe deep learning een robot in staat kan stellen een taak uit te voeren, zoals een speelgoedbouwsteen door een gevormd gat halen, door een proces van vallen en opstaan. De nieuwe aanpak is belangrijk omdat het voor een robot misschien niet altijd mogelijk is om zich aan een uitgebreide testperiode over te geven. En simulaties missen de complexiteiten die in de echte wereld worden gevonden, omstandigheden die met robots kunnen leiden tot een catastrofale mislukking.
We proberen met meer variabiliteit om te gaan, zegt Abbeel. Zelfs een kleine variabiliteit die verder gaat dan waarvoor het is ontworpen, maakt het echt moeilijk om het te laten werken.
De nieuwe techniek zou nuttig kunnen zijn voor elke robot die in allerlei echte omgevingen werkt, maar het zou vooral nuttig kunnen zijn voor meer sierlijke beenbewegingen. De huidige aanpak is om een algoritme te ontwerpen dat rekening houdt met de dynamiek van een proces zoals lopen of rennen (zie The Robots Walking This Way). Maar dergelijke modellen kunnen moeite hebben om met variatie in de echte wereld om te gaan, aangezien veel van de humanoïde robots die betrokken zijn bij de DARPA Robotics Challenge gedemonstreerd door te vallen wanneer ze over zand lopen, of wanneer ze zichzelf uit balans brengen door iets vast te pakken (zie Waarom robots en mensen worstelden met de uitdaging van DARPA). Het was een beetje een reality check, zegt Abbeel. Dat is wat er in de echte wereld gebeurt.
Dieter Fox , een professor in de afdeling computerwetenschappen en engineering van de Universiteit van Washington die gespecialiseerd is in robotperceptie en -besturing, zegt dat leren via neurale netwerken een enorm potentieel heeft in robotica. Ik ben erg enthousiast over deze hele onderzoeksrichting, zegt Fox. Het probleem is altijd of je in de echte wereld wilt acteren. Modellen zijn onvolmaakt. Waar machine learning, en vooral deep learning, een rol speelt, is leren van de echte interacties van het systeem.