Ερευνητές στην Κίνα και το Χονγκ Κονγκ έχουν αναπτύξει ένα νέο πλαίσιο εκμάθησης τεχνητής νοημοσύνης (ΑΙ) που διδάσκει τα ανθρωποειδή ρομπότ να σηκώνονται από ανενεργή θέση απίστευτα γρήγορα, ανεξαρτήτως θέσης ή εδάφους.
Η έρευνα δεν έχει ακόμη υποβληθεί για ανασκόπηση από ομότιμους, ωστόσο η ομάδα δημοσίευσε τα ευρήματά της στις 12 Φεβρουαρίου στο GitHub, συμπεριλαμβάνοντας μια εργασία που ανέβηκε στη βάση δεδομένων arXiv, μαζί με ένα βίντεο που δείχνει το πλαίσιο σε δράση.
Ανθρωποειδή ρομπότ και μηχανικά θαύματα
Το βίντεο παρουσιάζει ένα δίποδο ανθρωποειδές να στέκεται όρθιο αφού βρισκόταν ξαπλωμένο στην πλάτη του, καθισμένο σε τοίχο, ξαπλωμένο σε καναπέ και κεκλιμένο σε καρέκλα.
Οι ερευνητές δοκίμασαν επίσης την ικανότητα του ανθρωποειδούς ρομπότ να επανέρχεται σε κατάσταση όρθιας στάσης σε διάφορους τύπους εδάφους και κλίσης – συμπεριλαμβανομένου ενός λιθόστρωτου δρόμου, μιας γυάλινης κλίσης και ενώ στηριζόταν σε ένα δέντρο.
Ακόμη, προσπάθησαν να διαταράξουν το ρομπότ χτυπώντας ή κλοτσώντας το ενώ προσπαθούσε να σηκωθεί. Σε κάθε σενάριο, το ρομπότ προσαρμόζεται στο περιβάλλον του και καταφέρνει να σταθεί με επιτυχία.
Ο μηχανισμός «Humanoid Standing-up Control»
Αυτή η εντυπωσιακή ικανότητα του ρομπότ να πέφτει και να ξανασηκώνεται οφείλεται στο σύστημα που ονομάζεται «Humanoid Standing-up Control» (HoST). Οι επιστήμονες το κατάφεραν μέσω της ενισχυτικής μάθησης, ενός τύπου μηχανικής μάθησης όπου ο πράκτορας (σε αυτή την περίπτωση το πλαίσιο HoST) προσπαθεί να εκτελέσει μια εργασία μέσω δοκιμών και λαθών.
Ουσιαστικά, το ρομπότ αναλαμβάνει μια δράση και εάν αυτή η δράση έχει θετικό αποτέλεσμα, λαμβάνει ένα σήμα επιβράβευσης που ενθαρρύνει την επανάληψη της δράσης την επόμενη φορά που θα βρεθεί σε παρόμοια κατάσταση.
Πολυδιάστατη προσέγγιση
Το σύστημα της ομάδας ήταν λίγο πιο περίπλοκο, χρησιμοποιώντας τέσσερις διακριτές ομάδες επιβράβευσης για πιο στοχευμένη ανατροφοδότηση, μαζί με μια σειρά περιορισμών κίνησης συμπεριλαμβανομένης της εξομάλυνσης κίνησης και ορίων ταχύτητας για την αποφυγή ακανόνιστων ή βίαιων κινήσεων.
Μια κατακόρυφη δύναμη έλξης εφαρμόστηκε επίσης κατά την αρχική εκπαίδευση για να κατευθύνει τα πρώτα στάδια της διαδικασίας μάθησης.
Πρακτικά αποτελέσματα
Το πλαίσιο HoST εκπαιδεύτηκε αρχικά σε προσομοιώσεις χρησιμοποιώντας τον προσομοιωτή Isaac Gym, ένα φυσικό περιβάλλον προσομοίωσης που έχει αναπτυχθεί από την Nvidia.
Αφού το πλαίσιο είχε εκπαιδευτεί επαρκώς σε προσομοιώσεις, αναπτύχθηκε σε ένα ανθρωποειδές ρομπότ Unitree G1 για πειραματική δοκιμή, τα αποτελέσματα της οποίας παρουσιάζονται στο βίντεο.
«Τα πειραματικά αποτελέσματα με το ανθρωποειδές ρομπότ Unitree G1 δείχνουν ομαλές, σταθερές και ανθεκτικές κινήσεις σηκώματος σε μια ποικιλία πραγματικών σεναρίων», έγραψαν οι επιστήμονες στη μελέτη.
«Προχωρώντας, αυτό το έργο ανοίγει το δρόμο για την ενσωμάτωσή του ελέγχου του σηκώματος σε υπάρχοντα ανθρωποειδή συστήματα, με την προοπτική να επεκτείνουν την πραγματική τους χρησιμότητα».
Η ικανότητα να σηκωνόμαστε μπορεί να φαίνεται φυσική για εμάς τους ανθρώπους, αλλά αποτελεί μια από τις προκλήσεις που αντιμετωπίζουν τα ανθρωποειδή ρομπότ.
Η διδαχή ενός ρομπότ να περπατά ή να τρέχει όπως ένας άνθρωπος είναι μία υπόθεση, αλλά για να είναι χρήσιμα στον πραγματικό κόσμο, πρέπει να είναι ικανά να διαχειρίζονται δύσκολες καταστάσεις όπως η πτώση, η όταν σκοντάφτουν αλλά και όταν γίνεται ανατροπή.