Vergessen Sie Boston Dynamics. Dieser Roboter hat sich das Laufen selbst beigebracht

Hybride Robotik

Ein Paar Roboterbeine namens Cassie war durch Reinforcement Learning das Gehen beigebracht , die Trainingstechnik, die KIs komplexes Verhalten durch Versuch und Irrtum beibringt. Der zweibeinige Roboter lernte eine Reihe von Bewegungen von Grund auf, darunter das Gehen in der Hocke und das Tragen einer unerwarteten Last.

Aber kann es boogie? Dank viraler Videos von Boston Dynamics, die seinen humanoiden Atlas-Roboter auf einem Bein stehen, über Kisten springen und zeigen, sind die Erwartungen an die Fähigkeiten von Robotern hoch Tanzen . Diese Videos haben Millionen Aufrufe erzielt und sind es sogar gewesen parodiert . Die Kontrolle, die Atlas über seine Bewegungen hat, ist beeindruckend, aber die choreografierten Sequenzen erfordern wahrscheinlich eine Menge Handarbeit. (Boston Dynamics hat keine Details veröffentlicht, daher ist es schwer zu sagen, wie viel.)

„Diese Videos könnten einige Leute glauben machen, dass dies ein gelöstes und einfaches Problem ist“, sagt Zhongyu Li von der University of California, Berkeley, der mit seinen Kollegen an Cassie gearbeitet hat. 'Aber wir haben noch einen langen Weg vor uns, bis humanoide Roboter zuverlässig funktionieren und in menschlichen Umgebungen leben.' Cassie kann noch nicht tanzen, aber wenn sie dem menschengroßen Roboter beibringt, alleine zu gehen, ist er der Fähigkeit, ein breites Gelände zu bewältigen und sich zu erholen, wenn er stolpert oder sich selbst beschädigt, einige Schritte näher gekommen.

Verwandte Geschichte

Diese virtuellen Roboterarme werden intelligenter, indem sie sich gegenseitig trainieren Durch das Spielen eines Spiels, in dem einer versucht, den anderen zu überlisten, können die Bots von OpenAI lernen, eine Vielzahl von Problemen ohne Umschulung zu lösen.

Virtuelle Einschränkungen: Reinforcement Learning wurde verwendet, um viele Bots darin zu trainieren, sich in Simulationen zu bewegen, aber diese Fähigkeit auf die reale Welt zu übertragen, ist schwierig. Viele der Videos, die Sie von virtuellen Agenten sehen, sind überhaupt nicht realistisch, sagt Chelsea Finn, eine KI- und Robotik-Forscherin an der Stanford University, die nicht an der Arbeit beteiligt war. Kleine Unterschiede zwischen den simulierten physikalischen Gesetzen innerhalb einer virtuellen Umgebung und den realen physikalischen Gesetzen außerhalb davon – etwa wie die Reibung zwischen den Füßen eines Roboters und dem Boden funktioniert – können zu großen Fehlern führen, wenn ein Roboter versucht, das Gelernte anzuwenden. Ein schwerer zweibeiniger Roboter kann das Gleichgewicht verlieren und stürzen, wenn seine Bewegungen auch nur ein kleines bisschen abweichen.

Doppelte Simulation: Aber einen großen Roboter durch Versuch und Irrtum in der realen Welt zu trainieren, wäre gefährlich. Um diese Probleme zu umgehen, verwendete das Berkeley-Team zwei Ebenen der virtuellen Umgebung. In der ersten lernte eine simulierte Version von Cassie das Gehen, indem sie auf eine große vorhandene Datenbank mit Roboterbewegungen zurückgriff. Diese Simulation wurde dann in eine zweite virtuelle Umgebung namens SimMechanics übertragen, die die reale Physik mit einem hohen Maß an Genauigkeit widerspiegelt – jedoch auf Kosten der Laufgeschwindigkeit. Erst als Cassie gut zu laufen schien, wurde das erlernte Laufmodell in den eigentlichen Roboter geladen.

Die echte Cassie konnte mit dem in der Simulation erlernten Modell ohne zusätzliche Feinabstimmung laufen. Es konnte über unwegsames und rutschiges Gelände laufen, unerwartete Lasten tragen und sich von einem Schubser erholen. Während des Tests beschädigte Cassie auch zwei Motoren in ihrem rechten Bein, konnte aber ihre Bewegungen anpassen, um dies auszugleichen. Finn findet, dass dies eine aufregende Arbeit ist. Edward Johns, der das Robot Learning Lab am Imperial College London leitet, stimmt zu. Dies ist eines der erfolgreichsten Beispiele, die ich gesehen habe, sagt er.

Das Berkeley-Team hofft, seinen Ansatz nutzen zu können, um Cassies Bewegungsrepertoire zu erweitern. Erwarten Sie jedoch in absehbarer Zeit keinen Dance-Off.

verbergen