ИИ создает роботизированную собаку - атлета

Фотография с временем, показывающая, как робот, похожий на собак, способен самостоятельно ориентироваться в различных препятствиях.Кредит: Институт Шанхай Ци Чжи/Стэнфордский университет

В направлении этой благородной цели исследователи ИИ в Стэнфордском университете и Шанхайском институте Ци Чжи говорят, что они разработали новый алгоритм, основанный на зрении, который помогает рободогам масштабировать высокие объекты, прыгать через пробелы, ползание под пороговыми значениями и протиснуть щели-и затем болтатьСледующий вызов.Алгоритм представляет мозг рободога.

«Автономия и диапазон сложных навыков, которые изучил наш четвероночный робот, довольно впечатляет»,-сказал Челси Финн, доцент кафедры компьютерных наук и старший автор новой рецензируемой статьи, объявляющей подход команд к миру, который будет представленНа предстоящей конференции по обучению роботам, состоявшейся 6–9 ноября в Атланте.«И мы создали его с использованием недорогих, готовых роботов-на самом деле, двух разных готовых роботов».

По словам авторов, ключевой прогресс заключается в том, что их рободо является автономным, то есть он способен определить физические проблемы и представить, затем выполнять широкий спектр навыков ловкости, основанные просто на препятствиях, которые он видит до него.

«То, что мы делаем, - это объединение как восприятия, так и управления, используя изображения из глубинной камеры, установленной на роботе и машинном обучении, для обработки всех этих входов и перемещения ног, чтобы преодолеть, под препятствиями и вокруг препятствий», - сказал ЗипенгФу, докторский кандидат в лаборатории Финна и первый автор исследования, а также Зивен Чжуан из Шанхайского Института Ци Чжи.

Это не первый рободо, который продемонстрировал такую ловкость-класс легкой атлетики, известный как «Паркур»,-но сначала это сначала сочетать самостоятельность с широким спектром навыков.

«У наших роботов есть как зрение, так и автономия-спортивный интеллект, чтобы определить задачу и самостоятельно выбрать и выполнять навыки Parkour, основанные на требованиях момента»,-сказал Фу.

Существующие методы обучения часто основаны на сложных системах вознаграждения, которые должны быть точно настроены на конкретные физические препятствия.Соответственно, они плохо масштабируются в новой или незнакомых средах.Другие связанные подходы учатся, используя реальные данные, чтобы подражать навыкам гибкости других животных.Этим рободогам не хватает широкого набора навыков, и у них нет новых возможностей Vision New Robodogs.Оба существующих метода также являются вычислительными «задержками» - другими словами, медленно.

Это первое приложение с открытым исходным кодом для достижения этих целей с помощью простой системы вознаграждения, использующей не реальные справочные данные, авторы пишут в исследовании.

Чтобы добиться успеха, они сначала синтезировали и оттачивали алгоритм, используя компьютерную модель, а затем передали ее двум реальным рободогам.Затем, в процессе, называемом обучением подкрепления, роботы попытались двигаться вперед любым способом, которые они сочли нужным и получили вознаграждение в зависимости от того, насколько хорошо они справились.Вот как алгоритм в конечном итоге изучает лучший способ подойти к новому вызову.

На практике большинство существующих систем вознаграждения за обучение подкрепляют слишком много переменных, чтобы быть эффективными, замедляя вычислительные характеристики.Это то, что делает обтеканный процесс вознаграждения для Robodog Parkour исключительным, если также удивительно простым.

«Это на самом деле довольно просто», - сказал Финн.«Мы основывались в основном на том, насколько далеко продвигается робот, и о том, что он приложил к этому.

Затем команда провели обширные эксперименты, используя реальные рободоги, чтобы продемонстрировать свой новый подход к гибели в особенно сложных условиях, используя только готовые компьютеры Robodogs, визуальные датчики и системы питания.

В необработанных числах новые и улучшенные рободоги смогли подниматься на препятствия, более чем в полтора раза их высоты, прыгают промежуткиих высоты и наклоняйте себя, чтобы протиснуть через щель более тонкую, чем их ширина.

Далее, команда надеется использовать достижения в 3D-зрения и графике, чтобы добавить реальные данные в свои моделируемые среды, чтобы обеспечить новый уровень автономии реальной жизни в их алгоритм.

Больше информации: Robot Parkour Learning.openReview.net/forum?id=uo937r5ete