Jei kada nors žaidėte futbolą su robotu, tai pažįstamas jausmas. Saulė šviečia ant jūsų veido, kai žolės kvapas skverbiasi į orą. Tu apsidairai. Keturkojis robotas veržiasi link tavęs, ryžtingai varvantis.
Nors robotas nepasižymi Lionelio Messi gebėjimų lygiu, vis dėlto tai įspūdinga žaibavimo lauke sistema. Tyrėjai iš MIT neįtikėtino dirbtinio intelekto laboratorijos, priklausančios Kompiuterių mokslo ir dirbtinio intelekto laboratorijai (CSAIL), sukūrė kojinę robotų sistemą, kuri gali varinėti futbolo kamuolį tokiomis pačiomis sąlygomis kaip ir žmonės. Botas naudojo jutiklių ir skaičiavimų derinį, kad galėtų pereiti įvairias natūralias vietoves, tokias kaip smėlis, žvyras, purvas ir sniegas, ir prisitaikyti prie įvairaus jų poveikio kamuoliuko judėjimui. Kaip ir kiekvienas atsidavęs sportininkas, „DribbleBot“ galėjo pakilti ir atgauti kamuolį po kritimo.
Robotų programavimas žaisti futbolą jau kurį laiką buvo aktyvi tyrimų sritis. Tačiau komanda norėjo automatiškai išmokti paleisti kojas driblingo metu, kad būtų galima atrasti sunkiai įveikiamus įgūdžius, padedančius reaguoti į įvairias vietoves, tokias kaip sniegas, žvyras, smėlis, žolė ir grindinys. Įėjimas, simuliacija.
Modeliavimo viduje yra robotas, kamuolys ir reljefas – skaitmeninis gamtos pasaulio dvynys. Galite įkelti robotą ir kitus išteklius bei nustatyti fizinius parametrus, o tada jis tvarko dinamikos modeliavimą į priekį. Keturi tūkstančiai roboto versijų yra imituojamos lygiagrečiai realiu laiku, todėl duomenis galima surinkti 4000 kartų greičiau nei naudojant tik vieną robotą. Tai daug duomenų.
Robotas pradeda nežinodamas, kaip varinėti kamuoliuką – jis tiesiog gauna atlygį, kai tai daro, arba neigiamą pastiprinimą, kai sumaišo. Taigi, jis iš esmės bando išsiaiškinti, kokią jėgų seką jis turėtų taikyti savo kojomis. „Vienas šio sustiprinimo mokymosi metodo aspektų yra tai, kad turime sukurti gerą atlygį, kad robotas išmoktų sėkmingo driblingo elgesio“, – sako MIT doktorantė Gabe Margolis, vadovavęs darbui kartu su Yandong Ji, tyrimo asistentu Improbable. AI laboratorija. „Kai mes sukūrėme šį atlygį, ateina laikas treniruotis robotui: realiuoju laiku tai trunka kelias dienas, o treniruoklyje – šimtus dienų. Laikui bėgant jis išmoksta vis geriau ir geriau manipuliuoti futbolo kamuoliu. kad atitiktų norimą greitį“.
Botas taip pat galėjo naršyti nepažįstamoje vietovėje ir atsigauti po kritimo dėl atkūrimo valdiklio, kurį komanda įdiegė į savo sistemą. Šis valdiklis leidžia robotui atsikelti po kritimo ir vėl persijungti į driblingo valdiklį, kad galėtų toliau persekioti kamuolį, padedant susidoroti su nepaskirstymo sutrikimais ir reljefu.
„Jei šiandien apsidairysite aplink, dauguma robotų yra ratuoti. Tačiau įsivaizduokite, kad yra nelaimės scenarijus, potvynis ar žemės drebėjimas, ir mes norime, kad robotai padėtų žmonėms paieškos ir gelbėjimo procese. Mums reikia mašinų, kad galėtų važiuoti reljefu. kurie nėra plokšti, o ratuoti robotai negali kirsti tų kraštovaizdžių“, – sako Pulkit Agrawal, MIT profesorius, CSAIL pagrindinis tyrėjas ir Improbable AI Lab direktorius. dabartinių robotų sistemų“, – priduria jis. „Mūsų tikslas kuriant robotų kojomis algoritmus yra suteikti autonomiją sudėtingose ir sudėtingose vietose, kurių šiuo metu robotų sistemos nepasiekia.
Susižavėjimas robotais keturkojais ir futbolu yra gilus – Kanados profesorius Alanas Mackworthas pirmą kartą atkreipė dėmesį į šią idėją straipsnyje „Apie robotų matymą“, pristatytame VI-92, 1992 m. Japonijos mokslininkai vėliau surengė seminarą „Didieji dirbtinio intelekto iššūkiai, “, dėl kurio kilo diskusijos apie futbolo naudojimą mokslui ir technologijoms reklamuoti. Po metų projektas buvo pradėtas naudoti kaip Robot J-League, ir greitai kilo pasaulinis įkarštis. Netrukus po to gimė „RoboCup“.
Palyginti su vaikščiojimu vienam, futbolo kamuolio varymas labiau apriboja DribbleBot judėjimą ir vietovę, kurią jis gali įveikti. Robotas turi pritaikyti savo judėjimą, kad kamuoliukui būtų pritaikytos jėgos. Rutulio ir kraštovaizdžio sąveika gali skirtis nuo roboto ir kraštovaizdžio sąveikos, pavyzdžiui, storos žolės ar grindinio. Pavyzdžiui, futbolo kamuolys patirs vilkimo jėgą ant žolės, kurios nėra ant šaligatvio, o nuolydis taikys pagreičio jėgą, pakeisdamas įprastą kamuolio kelią. Tačiau šie dinamikos skirtumai dažnai turi mažiau įtakos roboto gebėjimui įveikti skirtingą reljefą – tol, kol jis neslysta, todėl futbolo testas gali būti jautrus reljefo svyravimams, kurių nėra vien tik judėjimas.
„Ankstesni metodai supaprastina drebėjimo problemą, modeliuojant plokščią, kietą žemę. Judėjimas taip pat sukurtas taip, kad būtų statiškesnis; robotas nebando bėgti ir manipuliuoti kamuoliu vienu metu”, – sako Ji. „Štai kur sudėtingesnė dinamika patenka į valdymo problemą. Mes tai išsprendėme išplėtę naujausius pasiekimus, kurie leido geriau judėti lauke, į šią sudėtingą užduotį, kuri kartu sujungia judėjimo ir gudraus manipuliavimo aspektus.”
Iš aparatinės įrangos pusės robotas turi jutiklių rinkinį, leidžiantį jam suvokti aplinką, leidžiantį pajusti, kur jis yra, „suprasti“ savo padėtį ir „pamatyti“ kai kurią aplinką. Jame yra pavarų rinkinys, leidžiantis taikyti jėgas ir perkelti save bei objektus. Tarp jutiklių ir pavarų yra kompiuteris arba „smegenys“, kurių užduotis yra konvertuoti jutiklio duomenis į veiksmus, kuriuos jis pritaikys per variklius. Kai robotas važiuoja ant sniego, jis nemato sniego, bet jaučia jį per variklio jutiklius. Tačiau futbolas yra sudėtingesnis žygdarbis nei ėjimas – todėl komanda panaudojo kameras ant roboto galvos ir kūno, kad, be naujų motorinių įgūdžių, būtų sukurtas naujas jutiminis regėjimo būdas. Ir tada – driblinguojame.
„Mūsų robotas gali išeiti į gamtą, nes turi visus jutiklius, kameras ir skaičiavimus. Tam reikėjo tam tikrų naujovių, kad visas valdiklis tilptų į šį integruotą kompiuterį”, – sako Margolis. „Tai yra viena sritis, kurioje mokymasis padeda, nes galime paleisti lengvą neuroninį tinklą ir išmokyti jį apdoroti judančio roboto stebimus triukšmingus jutiklių duomenis. Tai labai skiriasi nuo daugelio šiuolaikinių robotų: paprastai roboto ranka montuojama ant fiksuoto pagrindo ir sėdi ant darbo stalo, prie jo prijungtas milžiniškas kompiuteris. Nei kompiuteris, nei jutikliai nėra roboto rankoje! Taigi, viskas yra svari, sunkiai juda.”
Dar reikia daug nuveikti, kad šie robotai būtų tokie judrūs kaip ir jų kolegos gamtoje, o kai kurios vietovės DribbleBot buvo sudėtingos. Šiuo metu valdiklis nėra apmokytas imituojamose aplinkose, kuriose yra šlaitų ar laiptų. Robotas nesuvokia reljefo geometrijos; tai tik įvertina medžiagos sąlyčio savybes, pvz., trintį. Pavyzdžiui, jei yra laiptelis į viršų, robotas įstrigs – jis negalės pakelti kamuoliuko virš laiptelio – srities, kurią komanda nori ištirti ateityje. Tyrėjai taip pat džiaugiasi galėdami pritaikyti pamokas, įgytas kuriant DribbleBot, atliekant kitas užduotis, apimančias kombinuotą judėjimą ir manipuliavimą objektu, greitai pernešant įvairius objektus iš vienos vietos į kitą naudojant kojas ar rankas.
„DribbleBot yra įspūdingas tokios sistemos įmanomumo demonstravimas sudėtingoje probleminėje erdvėje, kuriai reikalinga dinamiška viso kūno kontrolė“, – sako Vikashas Kumaras, „Facebook AI Research“ mokslininkas, kuris nedalyvavo darbe. „DribbleBot įspūdingiausia yra tai, kad visi sensoriniai motoriniai įgūdžiai yra sintezuojami realiu laiku pigioje sistemoje, naudojant įmontuotus skaičiavimo išteklius. Nors jis pasižymi nepaprastu judrumu ir koordinavimu, tai tik naujos eros pradžia. Žaidimas!
Tyrimą remia DARPA Machine Common Sense Program, MIT-IBM Watson AI Lab, Nacionalinio mokslo fondo Dirbtinio intelekto ir pagrindinių sąveikų institutas, JAV oro pajėgų tyrimų laboratorija ir JAV oro pajėgų dirbtinio intelekto greitintuvas. Pranešimas bus pristatytas 2023 m. IEEE tarptautinėje robotikos ir automatizavimo konferencijoje (ICRA).