211service.com
Ein Meisteralgorithmus lässt Roboter sich selbst beibringen, komplexe Aufgaben auszuführen
Trotz all des Geredes, dass Maschinen intelligent werden, erfordert es immer noch viele Stunden sorgfältiger, geduldiger Programmierung, einen ausgeklügelten Roboter dazu zu bringen, irgendetwas Kompliziertes zu tun, wie zum Beispiel ein schweres Objekt zu greifen und es von einem Ort zum anderen zu bewegen.
Igor Mordatch , ein Postdoktorand an der University of California, Berkeley, arbeitet an einem anderen Ansatz – einem, der dazu beitragen könnte, die Ankunft von Roboterhelfern, wenn nicht sogar von Overlords, zu beschleunigen. Er gibt einem Roboter ein Endziel und einen Algorithmus, der ihn selbst herausfinden lässt, wie er das Ziel erreichen kann. Das ist die Art von Unabhängigkeit, die zum Beispiel ein Home-Assistance-Bot braucht, um Ihnen zuverlässig eine Tasse Kaffee von der Theke zu holen.
Mordatch arbeitet in der Labor von Pieter Abbeel, einem außerordentlichen Professor für Robotik in Berkeley. Als ich dieses Jahr das Labor besuchte, sah ich alle Arten von Robotern, die lernten, verschiedene Aufgaben auszuführen. Ein großer weißer Forschungsroboter namens PR2, der einen länglichen Kopf und zwei Arme mit zangenartigen Händen hat, fand langsam heraus, wie man leuchtende Bausteine aufnimmt, durch einen mühsamen und oft ungeschickten Prozess von Versuch und Irrtum.
Während er an einem besseren Lehrprozess arbeitet, verwendet Mordatch hauptsächlich Software, die Roboter simuliert. Dieses virtuelle Modell, das erstmals mit seinem Doktorvater an der University of Washington entwickelt wurde, Todorov , und ein anderer Professor an der Schule, Zoran Popović , hat ein gewisses Verständnis dafür, wie man Kontakt mit dem Boden oder mit Gegenständen herstellt. Anhand dieser Vorgaben sucht der Lernalgorithmus dann nach dem effizientesten Weg zum Ziel. Das einzige, was wir sagen, ist: „Das ist das Ziel, und der Weg, das Ziel zu erreichen, besteht darin, zu versuchen, den Aufwand zu minimieren“, sagt Mordatch. [Der Antrag] kommt dann aus diesen beiden Prinzipien heraus.
Mordatchs simulierte Roboter gibt es in allen möglichen Formen und Größen, die in blockigen Grafiken wiedergegeben werden, die wie etwas aus einem unbefischten Videospiel aussehen. Er hat seinen Algorithmus an humanoiden Formen getestet; kopflose, vierbeinige Kreaturen mit absurd fetten Körpern; und sogar geflügelte Kreationen. In jedem Fall zeigt sich nach einer Lernphase ein bemerkenswert komplexes Verhalten.
Wie dieses Video zeigt, kann ein humanoider Roboter lernen, aus jeder Position auf dem Boden aufzustehen und auf sehr natürlich wirkende Weise auf zwei Beinen zu stehen; oder es klettert auf einen Felsvorsprung oder macht sogar einen Kopfstand. Derselbe Prozess funktioniert unabhängig davon, welche Form der Roboter annimmt, und es kann sogar zwei Robotern ermöglichen, bei einer Aufgabe zusammenzuarbeiten, z. B. beim Bewegen eines schweren Objekts.
Aufbauend auf dieser früheren Arbeit entwickelte Mordatch in diesem Jahr eine Möglichkeit für Roboter, sich wiederholende Verhaltensweisen wie Gehen, Laufen, Schwimmen oder Fliegen auszuführen. Ein simuliertes neuronales Netzwerk wird darauf trainiert, den Roboter anhand von Informationen über seinen Körper, die physische Umgebung und das Ziel, sich in eine bestimmte Richtung zu bewegen, zu steuern. Dies erzeugt eine natürlich wirkende Fortbewegung bei virtuellen Robotern mit humanoider Körperform und Schlagbewegungen bei solchen mit Flügeln. Wenn ein Bediener dem Roboter sagt, wohin er gehen soll, passt sein neuronales Netzwerk die Fortbewegungsmittel entsprechend an.
Etwas Ähnliches kann bei Menschen und anderen Tieren passieren, wenn sie lernen, sich fortzubewegen. Ein Säugling verbringt viel Zeit damit, herauszufinden, wie er seinen Körper bewegen soll, und nutzt dieses Wissen später, um schnell und instinktiv neue Bewegungen zu planen.
Dieses Zeug ist schön, sagt Josh Tenenbaum , ein Professor am Department of Brain and Cognitive Science am MIT, der untersucht, wie Menschen lernen, und an Möglichkeiten arbeitet, diese Prinzipien auf Maschinen anzuwenden. Sie versuchen wirklich, ein Problem zu lösen, von dem ich glaube, dass bis vor kurzem nur sehr wenige Leute versucht haben, es zu lösen.
Mordatch begann kürzlich damit, einige seiner Techniken in einem kleinen humanoiden Roboter namens Darwin anzuwenden (siehe Robot Toddler Learns to Stand by Imagining How to Do It ). Die Verwendung der gleichen Optimierungs- und Lerntechniken in der realen Welt ist jedoch schwieriger, da die physische Welt komplexer und unvorhersehbarer ist und weil ein Algorithmus unvollkommene oder verrauschte Informationen darüber hat.