Использование иерархических генеративных моделей для улучшения управления автономными роботами

Задачи манипуляции и локомоции для проверки иерархической генеративной модели.А, задача манипуляции, где робот поднимает коробку (а), доставляет его (б) и, наконец, отправляет ее, активируя кнопку (C).b, пенальти, где робот приближается (а) мяч и ударяет его в цель (B и C).

Исследовательская группа из Intel Labs (Германия), Университетского колледжа Лондона (UCL, Великобритания) и Steres Research Lab (США) недавно намеревалась изучить моторное управление автономными роботами с использованием иерархических генеративных моделей, вычислительные методы, которые организуют переменные в данныхв разные уровни или иерархии, чтобы имитировать конкретные процессы.

Их статья, опубликованная в сфере интеллекта Nature Machine, демонстрирует эффективность этих моделей для обеспечения моторного управления человеком в автономных роботах.

«Наша недавняя статья исследует, как мы можем черпать вдохновение из биологического интеллекта для формализации обучения и контроля роботов», - сказал Tech Xplore Zhibin (Alex) Li, соответствующий автор статьи.

«Это позволяет естественно планировать движение и точный контроль над движениями робота в когерентной рамках. Мы считаем, что эволюция моторного интеллекта не является случайной комбинацией различных способностей. Структура нашей коры зрения, языковой коры, моторной коры иИтак, имеет более глубокую и структурирующую причину, по которой такой механизм для соединения различных нейронных путей вообще может работать эффективно и эффективно ».

Недавнее исследование, проведенное профессором Zhibin (Alex) LI и выдающимся нейробиологом профессором Карлом Фристоном FMEDSCI FRS FRS, черпает вдохновение в исследованиях нейробиологии, в частности то, что в настоящее время известно о биологической интеллекте и моторном контроле у людей.Используя человеческий мозг в качестве ссылки, команда разработала алгоритмы программного обеспечения, машинного обучения и управления, которые могли бы улучшить способность автономных умных роботов надежно полными сложными ежедневными задачами.

«В этой статье мы продемонстрировали это с нашим обширным моделированием, где гуманоидный робот всего тела способен транспортировать коробки, открытые двери, эксплуатировать объекты (например, конвейерные ленты) в складе, играет в футбол и даже продолжайте операциюПод физическим повреждением тела робота », - сказал Ли.«Наше исследование демонстрирует силу природы, в которой вдохновение в том, как различная кора работают вместе в нашем мозге, может помочь дизайну мозга умного робота».

Как и другие иерархические генеративные модели, техника, разработанная Ли и его коллегами, работает путем организации задачи на разные уровни или иерархии.В частности, модель команды отображает перегруженную цель задачи на выполнение индивидуальных движений конечностей в разных временных масштабах.

«Генеративные модели предсказывают последствия различных действий, тем самым помогая решить различные типы/уровни планирования и правильно отображать различные действия робота, что довольно сложно и утомительно», - объяснил Ли.

«Например, перенос коробки из одного места в другое, естественно, будет сопоставлено с глобальным и грубым планом ходьбы к месту назначения вместе с большим количеством близкого мониторинга и тонким контролем баланса, а также с коробками и размещением коробок - всеЭта сложная координация будет происходить естественным образом в то же время, используя наше программное обеспечение ».

Исследователи оценили свой подход в серии симуляций и обнаружили, что он позволил гуманоидному роботу автономно выполнить сложную задачу, которая влечет за собой сочетание действий, включая ходьбу, схватывание объектов и манипулирование ими.В частности, робот мог забрать и перевозить коробку, открываясь и проходя через дверь и выбивая футбол.

«Одним из наиболее заметных выводов нашей недавней работы является то, что вдохновение от природы может быть очень хорошей отправной точкой», - сказал Ли.

«Мы можем вдохновить организационный уровень сходства с нашего мозга и направить наш дизайн мозга робота, а не начинать инженерный дизайн с нуля. Существует немало инженерных работ, которые были изобретены независимо от вдохновленного биографией.Подходы, и все же, у нас еще нет интеллектуальных роботов, которые могут выполнять работу, похожие на нас, используя лишь небольшую энергию, такую как потребление хлеба и воды. Вместо этого роботы используют огромную мощность и вычисления для выполнения простых вещей ».

Первоначальные выводы, собранные Ли и его коллегами, являются очень многообещающими, подчеркивая потенциал иерархических генеративных моделей для передачи возможностей человека роботам.Будущие эксперименты на широком спектре физических роботов могут помочь дополнительно подтвердить эти результаты.

«На данный момент в истории человечества мы коллективно проделали огромное количество работы, чтобы воспроизвести различные виды интеллекта на уровне человека отдельно, что эквивалентно различным частям человеческого мозга»,-добавил Ли.«Теперь мы можем черпать вдохновение в биологическом мозге с точки зрения структуры и организационного уровня функциональности относительно того, как различные коры коры координируются друг с другом. Затем мы можем разработать искусственный мозг, основанный на том, как человеческий мозг работает на функциональном уровне».

Недавняя работа этой команды исследователей способствует постоянным усилиям воплощенного ИИ, направленного на то, чтобы приблизить возможности роботов к возможностям людей.Ли и его коллеги планируют продолжить реализацию предлагаемого подхода к реальным моторным навыкам робота для сложных задач и максимизируют его общественный потенциал.

«Это исследование приводит нас к жизнеспособному пути к созданию AGI (искусственный общий интеллект) с воплощенными физическими роботами и способностями как новой формы продуктивных сил, которые могут привести нашу цивилизацию в более яркое будущее, под доброго и позитивным управлением от общества иНаучные сообщества », добавил Ли.«В наших следующих исследованиях мы продолжим работать над выполнением этих амбиций».

Больше информации: Кай Юан и др., Иерархическое генеративное моделирование для автономных роботов, Интеллект природы (2023).Doi: 10.1038/s42256-023-00752-z

© 2023 Science X Network