211service.com
Robottoddler lär sig att stå genom att föreställa sig hur man gör
Som många småbarn ser Darwin ibland lite ostadig ut på fötterna. Men med varje klumpig rörelse visar den humanoida roboten ett viktigt nytt sätt för androider att hantera utmanande eller obekanta miljöer. Roboten lär sig att utföra en ny uppgift genom att använda en process som liknar de neurologiska processer som ligger till grund för barndomens lärande.
Darwin försöker flytta runt sin torso under kontroll av flera neurala nätverk.
Darwin bor i labbet av Pieter Abbeel , en docent vid University of California, Berkeley. När jag såg roboten för några veckor sedan hängde den upp från ett kamerastativ i ett rep, vilket såg lite tragiskt ut. En liten stund tidigare hade Darwin slingrat sig runt på änden av repet och försökt komma på hur man bäst skulle kunna röra sina lemmar för att stå upp utan att ramla omkull.
Darwins rörelser styrs av flera simulerade neurala nätverk – algoritmer som efterliknar hur inlärning sker i en biologisk hjärna när kopplingarna mellan neuroner stärks och försvagas över tiden som svar på input. Metoden använder sig av mycket komplexa neurala nätverk, som är kända som nätverk för djupinlärning, som har många lager av simulerade neuroner.
För att roboten ska lära sig att stå och vrida sin kropp, till exempel, utför den först en serie simuleringar för att träna ett nätverk för djupinlärning på hög nivå hur man utför uppgiften – något som forskarna jämför med en imaginär process. Detta ger en övergripande vägledning för roboten, medan ett andra nätverk för djupinlärning tränas för att utföra uppgiften samtidigt som det reagerar på dynamiken i robotens leder och komplexiteten i den verkliga miljön. Det andra nätverket krävs eftersom när det första nätverket till exempel försöker flytta ett ben, kan friktionen som upplevs vid kontaktpunkten med marken kasta av det helt, vilket får roboten att falla.
Roboten Darwin utför olika åtgärder efter virtuell och verklig inlärning.
Forskarna fick roboten att lära sig att stå, att flytta sin hand för att utföra räckande rörelser och att hålla sig upprätt när marken under den lutar.
Den övar på simulering i ungefär en timme, säger Igor Mordatch , en postdoktor vid UC Berkeley som genomförde studien. Sedan under körningen lär det sig i farten hur man inte halkar.
Abbeels grupp har tidigare visat hur djupinlärning kan göra det möjligt för en robot att utföra en uppgift, till exempel att passera en leksaksbyggsten genom ett format hål, genom en process av trial and error. Det nya tillvägagångssättet är viktigt eftersom det kanske inte alltid är möjligt för en robot att ägna sig åt en lång period av tester. Och simuleringar saknar den komplexitet som finns i den verkliga världen, förhållanden som med robotar kan kaskaderas till ett katastrofalt misslyckande.
Vi försöker kunna hantera mer variation, säger Abbeel. Bara en liten variation utöver vad den designades för gör det verkligen svårt att få det att fungera.
Den nya tekniken kan visa sig användbar för alla robotar som arbetar i alla möjliga verkliga miljöer, men den kan visa sig vara särskilt användbar för mer graciösa benrörelser. Det nuvarande tillvägagångssättet är att designa en algoritm som tar hänsyn till dynamiken i en process som att gå eller springa (se The Robots Walking This Way ). Men sådana modeller kan kämpa för att hantera variation i den verkliga världen, eftersom många av de humanoida robotarna som är involverade i DARPA Robotics Challenge demonstrerade genom att falla omkull när de går på sand, eller när de gör sig obalanserade genom att sträcka ut handen för att fatta något (se Why Robots, and Humans, Struggled with DARPA’s Challenge). Det var lite av en reality check, säger Abbeel. Det är vad som händer i den verkliga världen.
Dieter Fox , en professor vid datavetenskap och ingenjörsavdelningen vid University of Washington som är specialiserad på robotuppfattning och kontroll, säger att neurala nätverksinlärning har en enorm potential inom robotik. Jag är väldigt exalterad över hela den här forskningsriktningen, säger Fox. Problemet är alltid om du vill agera i den verkliga världen. Modellerna är ofullkomliga. Där maskininlärning, och särskilt djupinlärning kommer in, är att lära sig från systemets verkliga interaktioner.