211service.com
Robot Toddler impara a stare in piedi immaginando come farlo
Come molti bambini piccoli, Darwin a volte sembra un po' instabile in piedi. Ma con ogni movimento goffo, il robot umanoide sta dimostrando un nuovo modo importante per gli androidi di affrontare ambienti difficili o sconosciuti. Il robot impara a svolgere un nuovo compito utilizzando un processo in qualche modo simile ai processi neurologici che sono alla base dell'apprendimento infantile.
Darwin prova a muovere il busto sotto il controllo di diverse reti neurali.
Darwin vive nel laboratorio di Pieter Abbeel , professore associato presso l'Università della California, Berkeley. Quando ho visto il robot alcune settimane fa, era sospeso a un treppiede della fotocamera da un pezzo di corda, con un aspetto un po' tragico. Poco prima, Darwin si era dimenato all'estremità della corda, cercando di capire come muovere al meglio le sue membra per stare in piedi senza cadere.
I movimenti di Darwin sono controllati da diverse reti neurali simulate, algoritmi che imitano il modo in cui l'apprendimento avviene in un cervello biologico mentre le connessioni tra i neuroni si rafforzano e si indeboliscono nel tempo in risposta all'input. L'approccio fa uso di reti neurali molto complesse, note come reti di apprendimento profondo, che hanno molti strati di neuroni simulati.
Affinché il robot impari a stare in piedi e a torcere il proprio corpo, ad esempio, esegue prima una serie di simulazioni al fine di addestrare una rete di apprendimento profondo di alto livello su come eseguire il compito, qualcosa che i ricercatori confrontano con un processo immaginario. Ciò fornisce una guida generale per il robot, mentre una seconda rete di apprendimento profondo viene addestrata per svolgere l'attività rispondendo alla dinamica delle articolazioni del robot e alla complessità dell'ambiente reale. La seconda rete è necessaria perché quando la prima rete tenta, ad esempio, di muovere una gamba, l'attrito sperimentato nel punto di contatto con il suolo può farla staccare completamente, provocando la caduta del robot.
Darwin il robot esegue varie azioni dopo l'apprendimento virtuale e del mondo reale.
I ricercatori hanno fatto imparare al robot a stare in piedi, a muovere la mano per eseguire movimenti di raggiungimento e a rimanere in piedi quando il terreno sotto di esso si inclina.
Si esercita in simulazione per circa un'ora, dice Igor Mordatch , un ricercatore post-dottorato presso l'UC Berkeley che ha condotto lo studio. Quindi in fase di esecuzione sta imparando al volo come non scivolare.
Il gruppo di Abbeel ha precedentemente mostrato come l'apprendimento profondo può consentire a un robot di eseguire un'attività, come far passare un mattone giocattolo attraverso un foro sagomato, attraverso un processo di tentativi ed errori. Il nuovo approccio è importante perché potrebbe non essere sempre possibile per un robot concedersi un lungo periodo di test. E le simulazioni mancano delle complessità che si trovano nel mondo reale, condizioni che con i robot possono sfociare in un fallimento catastrofico.
Stiamo cercando di essere in grado di affrontare una maggiore variabilità, afferma Abbeel. Anche solo una piccola variabilità oltre a ciò per cui è stato progettato rende davvero difficile farlo funzionare.
La nuova tecnica potrebbe rivelarsi utile per qualsiasi robot che lavori in tutti i tipi di ambienti reali, ma potrebbe rivelarsi particolarmente utile per una locomozione con gambe più aggraziate. L'approccio attuale consiste nel progettare un algoritmo che tenga conto della dinamica di un processo come camminare o correre (vedi The Robots Walking This Way). Ma tali modelli possono lottare per affrontare le variazioni nel mondo reale, come molti dei robot umanoidi coinvolti nella DARPA Robotics Challenge dimostrato cadendo quando si cammina sulla sabbia o quando si sbilanciano allungandosi per afferrare qualcosa (vedi Perché i robot e gli umani hanno lottato con la sfida di DARPA). Era un po' una verifica della realtà, dice Abbeel. Questo è ciò che accade nel mondo reale.
Dieter Fox , professore nel dipartimento di informatica e ingegneria dell'Università di Washington, specializzato in percezione e controllo dei robot, afferma che l'apprendimento della rete neurale ha un enorme potenziale nella robotica. Sono molto entusiasta di tutta questa direzione della ricerca, dice Fox. Il problema è sempre se vuoi agire nel mondo reale. I modelli sono imperfetti. Il punto in cui entra in gioco l'apprendimento automatico, e in particolare il deep learning, è l'apprendimento dalle interazioni del sistema nel mondo reale.