Dimentica Boston Dynamics. Questo robot ha imparato da solo a camminare

Robotica ibrida

Un paio di gambe robot chiamate Cassie sono state insegnato a camminare usando l'apprendimento per rinforzo , la tecnica di addestramento che insegna alle IA il comportamento complesso attraverso tentativi ed errori. Il robot a due gambe ha imparato una serie di movimenti da zero, incluso camminare accovacciato e trasportare un carico inaspettato.

Ma può boogie? Le aspettative su ciò che i robot possono fare sono alte grazie ai video virali pubblicati da Boston Dynamics, che mostrano il suo robot umanoide Atlas in piedi su una gamba, che salta sopra scatole e ballare . Questi video hanno accumulato milioni di visualizzazioni e lo sono stati persino parodiato . Il controllo che Atlas ha sui suoi movimenti è impressionante, ma le sequenze coreografate probabilmente implicano molte accordature manuali. (Boston Dynamics non ha pubblicato i dettagli, quindi è difficile dire quanto.)

'Questi video possono indurre alcune persone a credere che si tratti di un problema facile e risolvibile', afferma Zhongyu Li dell'Università della California, Berkeley, che ha lavorato su Cassie con i suoi colleghi. 'Ma abbiamo ancora molta strada da fare affinché i robot umanoidi operino e vivano in modo affidabile in ambienti umani'. Cassie non sa ancora ballare, ma insegnare al robot di dimensioni umane a camminare da solo lo avvicina di molti passi alla capacità di gestire un'ampia gamma di terreni e di riprendersi quando inciampa o si danneggia.

Storia correlata

Questi bracci robotici virtuali diventano più intelligenti allenandosi a vicenda Giocando a un gioco in cui uno cerca di superare in astuzia l'altro, i robot di OpenAI possono imparare a risolvere un'ampia gamma di problemi senza riqualificarsi.

Limitazioni virtuali: L'apprendimento per rinforzo è stato utilizzato per addestrare molti bot a camminare all'interno delle simulazioni, ma trasferire questa capacità nel mondo reale è difficile. Molti dei video che vedi degli agenti virtuali non sono affatto realistici, afferma Chelsea Finn, ricercatrice di intelligenza artificiale e robotica presso la Stanford University, che non è stata coinvolta nel lavoro. Piccole differenze tra le leggi fisiche simulate all'interno di un ambiente virtuale e le leggi fisiche reali al di fuori di esso, come il modo in cui funziona l'attrito tra i piedi di un robot e il suolo, possono portare a grossi fallimenti quando un robot cerca di applicare ciò che ha appreso. Un robot pesante a due gambe può perdere l'equilibrio e cadere se i suoi movimenti sono anche solo leggermente irregolari.

Doppia simulazione: Ma addestrare un grande robot attraverso tentativi ed errori nel mondo reale sarebbe pericoloso. Per aggirare questi problemi, il team di Berkeley ha utilizzato due livelli di ambiente virtuale. Nel primo, una versione simulata di Cassie ha imparato a camminare attingendo a un ampio database esistente di movimenti dei robot. Questa simulazione è stata quindi trasferita in un secondo ambiente virtuale chiamato SimMechanics che rispecchia la fisica del mondo reale con un alto grado di precisione, ma a un costo in termini di velocità di esecuzione. Solo una volta che Cassie sembrava camminare bene, il modello erudito è stato caricato nel robot vero e proprio.

La vera Cassie è stata in grado di camminare usando il modello appreso durante la simulazione senza alcuna messa a punto aggiuntiva. Potrebbe camminare su terreni accidentati e scivolosi, trasportare carichi imprevisti e riprendersi da una spinta. Durante i test, Cassie ha anche danneggiato due motori alla gamba destra, ma è stata in grado di regolare i suoi movimenti per compensare. Finn pensa che questo sia un lavoro eccitante. Edward Johns, che guida il Robot Learning Lab presso l'Imperial College di Londra, è d'accordo. Questo è uno degli esempi di maggior successo che ho visto, dice.

Il team di Berkeley spera di utilizzare il loro approccio per arricchire il repertorio di movimenti di Cassie. Ma non aspettarti un ballo di fine anno presto.

nascondere