Dört ayaklı robotlar tanıdık bir görüntü haline geliyor, ancak mühendisler hala bu makinelerin tüm özelliklerini geliştirmeye çalışıyorlar. Şimdi, MIT’den bir grup araştırmacı, işlevselliklerini geliştirmenin bir yolunun, botlara nasıl yürüyeceklerini ve koşacaklarını öğretmeye yardımcı olmak için AI kullanmak olabileceğini söylüyor.
Genellikle mühendisler, bacaklı robotların hareketini kontrol eden yazılımı oluştururken, makinenin belirli girdilere nasıl yanıt vermesi gerektiğine dair bir dizi kural yazarlar. Yani, bir robotun sensörleri algılarsa x bacak üzerindeki kuvvet miktarı y, motoru çalıştırarak yanıt verecektir a tork uygulamak B, ve bunun gibi. Bu parametreleri kodlamak karmaşık ve zaman alıcıdır, ancak araştırmacılara robotlar üzerinde kesin ve öngörülebilir kontrol sağlar.
Alternatif bir yaklaşım, makine öğrenimini kullanmaktır – özellikle, deneme yanılma yoluyla işleyen pekiştirmeli öğrenme olarak bilinen bir yöntem. Bu, AI modelinize “ödül işlevi” olarak bilinen bir hedef vererek (örneğin, olabildiğince hızlı hareket edin) ve ardından bu sonuca sıfırdan nasıl ulaşılacağını bulmak için onu serbest bırakarak çalışır. Bu uzun zaman alır, ancak yapay zekanın zamanı hızlandırabileceğiniz sanal bir ortamda denemesine izin verirseniz yardımcı olur. Bu nedenle pekiştirmeli öğrenme veya RL, video oyunları oynayan AI geliştirmenin popüler bir yoludur.
Bu, MIT mühendislerinin üniversitenin dörtlü araştırması olan Mini Cheetah için yeni bir yazılım (“kontrolör” olarak bilinir) oluşturarak kullandığı tekniktir. Takviyeli öğrenmeyi kullanarak, robot için 3,9m/sn veya kabaca 8,7mph’lik yeni bir en yüksek hıza ulaşmayı başardılar. Aşağıdaki videoda neye benzediğini izleyebilirsiniz:
Gördüğünüz gibi Mini Cheetah’ın yeni koşu yürüyüşü biraz hantal. Aslında, ahşap bir zeminde hızlanmak için tırmalayan bir köpek yavrusu gibi görünüyor. Ancak, MIT Doktora öğrencisi Gabriel Margolis’e (doktora sonrası araştırmacı Ge Yan ile birlikte araştırmanın ortak yazarı) göre, bunun nedeni yapay zekanın hiçbir şey için optimizasyon yapmamasıdır. fakat hız.
Margolis, “RL hızlı koşmanın bir yolunu bulur, ancak yeterince belirtilmemiş bir ödül işlevi verildiğinde, ‘doğal görünen’ veya insanlar tarafından tercih edilen bir yürüyüşü tercih etmek için hiçbir nedeni yoktur,” diyor Margolis. Sınır e-posta üzerinden. Modele kesinlikle daha akıcı bir hareket biçimi geliştirmesi talimatının verilebileceğini söylüyor, ancak çabanın tüm amacı yalnızca hızı optimize etmek.
Margolis ve Yang, AI kullanarak denetleyici yazılımı geliştirmenin büyük bir avantajının, tüm fizikle uğraşmaktan daha az zaman alması olduğunu söylüyor. “Bir robotun olası her durumda nasıl hareket etmesi gerektiğini programlamak çok zor. Süreç sıkıcı çünkü bir robot belirli bir arazide başarısız olursa, bir insan mühendisin arızanın nedenini belirlemesi ve robot kontrol cihazını manuel olarak uyarlaması gerekir” diyorlar.
Mühendisler bir simülatör kullanarak robotu katı kaldırımlardan kaygan molozlara kadar herhangi bir sayıda sanal ortama yerleştirebilir ve işleri kendi kendine halletmesine izin verebilir. Gerçekten de MIT grubu, simülatörünün sadece üç saatlik gerçek zamanlı olarak 100 günlük sendeleme, yürüme ve koşmayı hızlandırabildiğini söylüyor.
Bacaklı robotlar geliştiren bazı şirketler, yeni kontrolörler tasarlamak için bu tür yöntemleri zaten kullanıyor. Ancak Boston Dynamics gibi diğerleri, görünüşe göre daha geleneksel yaklaşımlara güveniyor. (Bu, şirketin koreografili videolarında görülen atlamalar, atlamalar ve taklalar gibi çok özel hareketler geliştirmeye olan ilgisi göz önüne alındığında mantıklıdır.)
Ayrıca daha hızlı bacaklı robotlar da var. Boston Dynamics’in Cheetah botu şu anda Usain Bolt’tan daha hızlı olan 28,3 mil hıza ulaşan dörtlü bir rekoru elinde tutuyor. Bununla birlikte, Cheetah sadece MIT’nin Mini Cheetah’ından çok daha büyük ve daha güçlü bir makine olmakla kalmıyor, aynı zamanda bir koşu bandında ve stabilite için bir manivelaya monte edilmiş rekorunu da elde etti. Bu avantajlar olmadan, belki AI makineyi parası için çalıştırabilirdi.