Четвероногий робот Mini Cheetah, разрабатываемый лабораторией Improbable AI Lab Массачусетского технологического института и Институтом ИИ и фундаментальных взаимодействий (IAIFI) побил свой личный рекорд скорости, достигнув 14,04 км/ч благодаря новой системе обучения с подкреплением, которая позволяет роботу самостоятельно определять наилучший способ бега и адаптироваться к различным поверхностям.
Стоит отметить, что Mini Cheetah не самый быстрый четвероногий робот в мире. Еще в 2012 году его более крупная версия Cheetah достиг максимальной скорости 45,5 км/ч.
В новом видеоролике можно увидеть, как четвероногий робот врезается в мягкие барьеры, преодолевает препятствия, бежит с одной неработающей ногой и адаптируется к скользкой, обледенелой местности, а также к перемещению по гравию. Такая адаптивность достигается благодаря нейронной сети, способной оценивать новые ситуации, которые могут подвергнуть робота высокой нагрузке.
Mini Cheetah учится методом проб и ошибок без участия человека. Если у робота будет достаточно опыта на разных участках местности, то он сможет автоматически улучшать способы своего перемещения. И этот опыт даже не обязательно должен быть в реальном мире. По словам команды, используя виртуальную симуляцию, Mini Cheetah может накопить 100 дней опыта за три часа.
"Мы разработали подход, с помощью которого поведение робота улучшается на основе смоделированного опыта, и наш подход, с критической точки зрения, также позволяет успешно применять эти выученные модели поведения в реальном мире, - говорят аспирант MIT Габриэль Марголис и постдок IAIFI Гэ Янг. - Интуиция подсказывает, почему навыки бега робота хорошо работают в реальном мире: из всех сред, которые он видит в этом симуляторе, некоторые научат робота навыкам, полезным в реальном мире. При работе в реальном мире наш контроллер определяет и выполняет соответствующие навыки в режиме реального времени".
Исследователи утверждают, что с помощью такой системы можно масштабировать технологию, что традиционные методы не могут сделать с той же легкостью.
"Более практичный способ создания робота с множеством разнообразных навыков - это сказать роботу, что делать, и позволить ему самому понять, как, - добавили Марголис и Янг. - Наша система является примером этого. В нашей лаборатории мы начали применять эту парадигму к другим роботизированным системам, включая руки, которые могут брать и манипулировать множеством различных объектов".
Фото: MIT CSAIL
Комментарии
(0) Добавить комментарий