Dieser Roboter hat sich selbst beigebracht, ganz alleine zu gehen

Ein Roboter, der völlig autonom laufen lernt. Google

Innerhalb von 10 Minuten nach seiner Geburt kann ein Kitz stehen. Innerhalb von sieben Stunden ist es in der Lage zu laufen. Zwischen diesen beiden Meilensteinen verwickelt es sich in ein äußerst entzückendes, äußerst frenetisches Umherschlagen der Gliedmaßen, um alles herauszufinden.

Das ist die Idee hinter KI-gestützter Robotik. Während autonome Roboter, wie selbstfahrende Autos, bereits ein bekanntes Konzept sind, autonom Lernen Roboter sind immer noch nur ein Wunschdenken. Bestehende Reinforcement-Learning-Algorithmen, die es Robotern ermöglichen, Bewegungen durch Versuch und Irrtum zu lernen, sind immer noch stark auf menschliches Eingreifen angewiesen. Jedes Mal, wenn der Roboter herunterfällt oder seine Trainingsumgebung verlässt, braucht er jemanden, der ihn aufhebt und wieder in die richtige Position bringt.

Jetzt ein neue Studie von Forschern bei Google hat einen wichtigen Fortschritt hin zu Robotern gemacht, die lernen können, ohne diese Hilfe zu navigieren. Innerhalb weniger Stunden, indem sie sich ausschließlich auf Optimierungen an aktuellen hochmodernen Algorithmen stützten, gelang es ihnen, einen vierbeinigen Roboter erfolgreich dazu zu bringen, zu lernen, vorwärts und rückwärts zu gehen und sich nach links und rechts zu drehen, und zwar völlig selbstständig.

Die Arbeit baut darauf auf bisherige Forschung vor einem Jahr durchgeführt, als die Gruppe zum ersten Mal herausfand, wie man den Roboter dazu bringt, in der realen Welt zu lernen. Reinforcement Learning wird üblicherweise in Simulationen durchgeführt: Ein virtueller Doppelgänger des Roboters wirbelt um einen virtuellen Doppelgänger der Umgebung herum, bis der Algorithmus robust genug ist, um sicher zu arbeiten. Es wird dann in den physischen Roboter importiert.

Diese Methode ist hilfreich, um Schäden an einem Roboter und seiner Umgebung während seines Trial-and-Error-Prozesses zu vermeiden, erfordert jedoch auch eine einfach zu modellierende Umgebung. Das natürliche Streuen von Kies oder das Federn einer Matratze unter den Schritten eines Roboters dauert so lange, um es zu simulieren, dass es sich nicht einmal lohnt.

In diesem Fall entschieden sich die Forscher, Modellierungsherausforderungen vollständig zu vermeiden, indem sie von Anfang an in der realen Welt trainierten. Sie entwickelten einen effizienteren Algorithmus, der mit weniger Versuchen und damit weniger Fehlern lernen konnte, und brachten den Roboter innerhalb von zwei Stunden zum Laufen. Da die physische Umgebung natürliche Variationen bot, war der Roboter auch in der Lage, sich schnell an andere ziemlich ähnliche Umgebungen wie Steigungen, Stufen und flaches Gelände mit Hindernissen anzupassen.

Aber ein Mensch musste immer noch den Roboter babysitten und hunderte Male manuell eingreifen, sagt Jie Tan, ein Co-Autor des Papiers, der das Robotik-Fortbewegungsteam bei Google Brain leitet. Daran habe ich anfangs nicht gedacht, sagt er.

Also fingen sie an, dieses neue Problem zu lösen. Zuerst begrenzten sie das Gelände, das der Roboter erkunden durfte, und ließen ihn mehrere Manöver gleichzeitig trainieren. Wenn der Roboter den Rand des Begrenzungsrahmens erreicht, während er lernt, wie man vorwärts geht, kehrt er die Richtung um und beginnt stattdessen zu lernen, wie man rückwärts geht.

Zweitens schränkten die Forscher auch die Versuchsbewegungen des Roboters ein und machten ihn vorsichtig genug, um Schäden durch wiederholtes Fallen zu minimieren. In Zeiten, in denen der Roboter sowieso unweigerlich hinfiel, fügten sie einen weiteren hartcodierten Algorithmus hinzu, um ihm zu helfen, wieder aufzustehen.

Durch diese verschiedenen Optimierungen lernte der Roboter, autonom über mehrere verschiedene Oberflächen zu gehen, darunter ebener Boden, eine Memory-Foam-Matratze und eine Fußmatte mit Spalten. Die Arbeit zeigt das Potenzial für zukünftige Anwendungen, bei denen Roboter möglicherweise ohne die Anwesenheit eines Menschen durch unwegsames und unbekanntes Gelände navigieren müssen.

Ich denke, diese Arbeit ist ziemlich aufregend, sagt Chelsea Finn, eine Assistenzprofessorin in Stanford, die ebenfalls mit Google verbunden ist, aber nicht an der Forschung beteiligt ist. Es ist wirklich schwierig, die Person aus dem Prozess zu entfernen. Indem Roboter autonomer lernen können, sind Roboter eher in der Lage, in der realen Welt, in der wir leben, zu lernen, als in einem Labor.

Sie weist jedoch darauf hin, dass das Setup derzeit auf einem Bewegungserfassungssystem über dem Roboter beruht, um seinen Standort zu bestimmen. Das wird in der realen Welt nicht möglich sein.

In Zukunft hoffen die Forscher, ihren Algorithmus an verschiedene Arten von Robotern oder an mehrere Roboter, die gleichzeitig in derselben Umgebung lernen, anzupassen. Letztendlich, glaubt Tan, wird die knackende Fortbewegung der Schlüssel sein, um nützlichere Roboter freizuschalten.

Viele Orte sind für Menschen gebaut, und wir alle haben Beine, sagt er. Wenn ein Roboter keine Beine benutzen kann, kann er nicht durch die menschliche Welt navigieren.

Um mehr Geschichten wie diese direkt in Ihren Posteingang zu bekommen, melden Sie sich für unseren von Webby nominierten KI-Newsletter The Algorithm an. Es ist kostenlos.

verbergen