Glöm Boston Dynamics. Den här roboten lärde sig själv att gå

Hybrid robotik

Ett par robotben som heter Cassie har varit lärt sig att gå med hjälp av förstärkningsinlärning , träningstekniken som lär AI:s komplexa beteende genom försök och fel. Den tvåbenta roboten lärde sig en rad rörelser från grunden, inklusive att gå i huk och bära en oväntad last.

Men kan det boogie? Förväntningarna på vad robotar kan göra är höga tack vare virala videor som lagts ut av Boston Dynamics, som visar dess humanoida Atlas-robot som står på ett ben, hoppar över lådor och dans . Dessa videor har fått miljontals visningar och har till och med varit det parodierade . Den kontroll Atlas har över sina rörelser är imponerande, men de koreograferade sekvenserna innebär nog en hel del handjustering. (Boston Dynamics har inte publicerat detaljer, så det är svårt att säga hur mycket.)

'De här videorna kan få vissa människor att tro att detta är ett löst och enkelt problem', säger Zhongyu Li vid University of California, Berkeley, som arbetade på Cassie med sina kollegor. 'Men vi har fortfarande en lång väg att gå för att få humanoida robotar att fungera och leva tillförlitligt i mänskliga miljöer.' Cassie kan ännu inte dansa, men genom att lära roboten i människostorlek att gå själv gör den flera steg närmare att kunna hantera ett brett spektrum av terräng och återhämta sig när den snubblar eller skadar sig själv.

Relaterad berättelse

Dessa virtuella robotarmar blir smartare genom att träna varandra Genom att spela ett spel där den ena försöker överlista den andra, kan OpenAI:s bots lära sig att lösa ett brett spektrum av problem utan omskolning.

Virtuella begränsningar: Förstärkningsinlärning har använts för att träna många bots att gå in i simuleringar, men att överföra den förmågan till den verkliga världen är svårt. Många av videorna som du ser av virtuella agenter är inte alls realistiska, säger Chelsea Finn, AI- och robotikforskare vid Stanford University, som inte var inblandad i arbetet. Små skillnader mellan de simulerade fysiska lagarna i en virtuell miljö och de verkliga fysiska lagarna utanför den – som hur friktionen fungerar mellan en robots fötter och marken – kan leda till stora misslyckanden när en robot försöker tillämpa det den har lärt sig. En tung tvåbensrobot kan tappa balansen och falla om dess rörelser är ens en liten bit av.

Dubbelsimulering: Men att träna en stor robot genom trial and error i den verkliga världen skulle vara farligt. För att komma runt dessa problem använde Berkeley-teamet två nivåer av virtuell miljö. I den första lärde sig en simulerad version av Cassie att gå genom att dra på en stor befintlig databas med robotrörelser. Denna simulering överfördes sedan till en andra virtuell miljö som heter SimMechanics som speglar den verkliga fysiken med en hög grad av noggrannhet - men till en kostnad i körhastighet. Först när Cassie verkade gå bra var den lärda gåmodellen laddad i själva roboten.

Den riktiga Cassie kunde gå med hjälp av modellen som lärts i simulering utan någon extra finjustering. Den kunde gå över ojämn och hal terräng, bära oväntade laster och återhämta sig från att bli knuffad. Under testet skadade Cassie också två motorer i sitt högra ben men kunde justera sina rörelser för att kompensera. Finn tycker att det här är ett spännande arbete. Edward Johns, som leder Robot Learning Lab vid Imperial College London håller med. Det här är ett av de mest framgångsrika exemplen jag sett, säger han.

Berkeley-teamet hoppas kunna använda sitt tillvägagångssätt för att lägga till Cassies repertoar av rörelser. Men förvänta dig inte en dance-off när som helst snart.

Dölj