Vergeet Boston Dynamics. Deze robot heeft zichzelf leren lopen

Hybride robotica

Een paar robotbenen genaamd Cassie is geweest leren lopen met behulp van versterkend leren , de trainingstechniek die AI's complex gedrag leert met vallen en opstaan. De tweebenige robot leerde vanaf het begin een reeks bewegingen, waaronder gehurkt lopen en een onverwachte last dragen.

Maar kan het boogie? De verwachtingen voor wat robots kunnen doen, zijn hooggespannen dankzij de virale video's van Boston Dynamics, die laten zien hoe de mensachtige Atlas-robot op één been staat, over dozen springt en dansen . Deze video's hebben miljoenen views verzameld en zijn zelfs geparodieerd . De controle die Atlas heeft over zijn bewegingen is indrukwekkend, maar de gechoreografeerde sequenties vereisen waarschijnlijk veel hand-tuning. (Boston Dynamics heeft geen details gepubliceerd, dus het is moeilijk te zeggen hoeveel.)

'Deze video's kunnen sommige mensen doen geloven dat dit een opgelost en gemakkelijk probleem is', zegt Zhongyu Li van de University of California, Berkeley, die samen met zijn collega's aan Cassie werkte. 'Maar we hebben nog een lange weg te gaan om humanoïde robots betrouwbaar te laten opereren en leven in menselijke omgevingen.' Cassie kan nog niet dansen, maar door de robot op menselijke maat te leren zelf te lopen, komt hij een aantal stappen dichter bij het aankunnen van een breed scala aan terreinen en herstellen wanneer hij struikelt of zichzelf beschadigt.

Verwant verhaal

Deze virtuele robotarmen worden slimmer door elkaar te trainen Door een spel te spelen waarin de een de ander probeert te slim af te zijn, kunnen de bots van OpenAI leren een breed scala aan problemen op te lossen zonder omscholing.

Virtuele beperkingen: Reinforcement learning is gebruikt om veel bots te trainen om binnen simulaties te lopen, maar het overbrengen van dat vermogen naar de echte wereld is moeilijk. Veel van de video's die je ziet van virtuele agenten zijn helemaal niet realistisch, zegt Chelsea Finn, een AI- en robotica-onderzoeker aan de Stanford University, die niet bij het werk was betrokken. Kleine verschillen tussen de gesimuleerde natuurwetten in een virtuele omgeving en de echte natuurkundige wetten daarbuiten - zoals hoe wrijving werkt tussen de voeten van een robot en de grond - kunnen tot grote mislukkingen leiden wanneer een robot probeert toe te passen wat hij heeft geleerd. Een zware tweebenige robot kan het evenwicht verliezen en vallen als zijn bewegingen ook maar een klein beetje afwijken.

Dubbele simulatie: Maar een grote robot met vallen en opstaan ​​trainen in de echte wereld zou gevaarlijk zijn. Om deze problemen te omzeilen, gebruikte het Berkeley-team twee niveaus van virtuele omgevingen. In de eerste leerde een gesimuleerde versie van Cassie lopen door te tekenen op een grote bestaande database met robotbewegingen. Deze simulatie werd vervolgens overgebracht naar een tweede virtuele omgeving, SimMechanics genaamd, die de natuurkunde uit de echte wereld weerspiegelt met een hoge mate van nauwkeurigheid, maar tegen een prijs in rijsnelheid. Pas toen Cassie goed leek te lopen, werd het aangeleerde loopmodel in de eigenlijke robot geladen.

De echte Cassie was in staat om te lopen met behulp van het model dat in de simulatie was geleerd, zonder enige extra afstemming. Hij kan over ruw en glibberig terrein lopen, onverwachte lasten dragen en herstellen van geduwd worden. Tijdens het testen beschadigde Cassie ook twee motoren in zijn rechterbeen, maar kon zijn bewegingen aanpassen om dit te compenseren. Finn vindt dit spannend werk. Edward Johns, die het Robot Learning Lab leidt aan het Imperial College London, is het daarmee eens. Dit is een van de meest succesvolle voorbeelden die ik heb gezien, zegt hij.

Het Berkeley-team hoopt met hun aanpak iets toe te voegen aan Cassie's bewegingsrepertoire. Maar verwacht niet snel een dance-off.

zich verstoppen