Гуманоїдний робот навчився ходити по піску, гравію та слизьких поверхнях: у чому секрет
Новий алгоритм машинного навчання, який дозволив гуманоїдному роботу впевнено пересуватися піском, гравієм, мокрою травою, схилами, сходами та слизькими поверхнями, розробили дослідники з Технологічного інституту Джорджії (Georgia Tech). Як пише Interesting Engineering, при цьому новий підхід значно скорочує час і обчислювальні ресурси, необхідні для навчання системи керування.
Йдеться, що нові результати дослідження були представлені на Міжнародній конференції IEEE з робототехніки та автоматизації (ICRA). За словами вчених, їхня технологія під назвою Learn to Teach вдосконалює популярний метод навчання "вчитель - учень".
На відміну від традиційної схеми, де моделі навчаються послідовно, новий підхід передбачає одночасне навчання обох моделей. Це дозволило створити систему керування, яка успішно працює навіть на поверхнях, яких робот ніколи раніше не "бачив".
Новий контролер протестували на двоногому гуманоїдному роботові. Під час випробувань він успішно долав як складні природні ландшафти, так і різноманітні поверхні у приміщенні.
Дослідники також навмисно штовхали й тягнули робота під час руху. Попри це він змінював свою ходу та зберігав рівновагу.
Результати роботи були представлені на Міжнародній конференції IEEE з робототехніки та автоматизації (ICRA). Автори зазначають, що запропонований алгоритм можна адаптувати й для інших типів роботів та різних завдань, а не лише для ходьби.
Новий підхід дозволяє навчатися швидше
У традиційному методі навчання спочатку створюється модель-"вчитель", яка має доступ до детальної комп'ютерної симуляції. Лише після завершення її навчання отримані знання передаються моделі-"учню", яка вже безпосередньо керує реальним роботом.
Провідний автор дослідження Фейян Ву пояснив, що такий підхід має два суттєві недоліки.
По-перше, моделі доводиться навчати послідовно, що займає багато часу. По-друге, значна частина інформації, накопиченої моделлю-"вчителем", фактично не використовується повною мірою.
За словами вченого, навчання роботів у симуляціях може вимагати багатьох годин обчислень на дорогих графічних процесорах (GPU), що робить процес повільним і дорогим.
Замість того щоб чекати, поки модель-"вчитель" повністю опанує завдання, дослідники Georgia Tech навчали обидві моделі паралельно. У міру того як "вчитель" отримував нові знання, він одразу передавав їх "учню", що суттєво скоротило тривалість навчання.
"Не потрібно чекати, поки "вчитель" стане експертом, щоб почати навчати "учня". Він може поступово передавати знання в процесі власного навчання", - пояснив Фейян Ву.
Крім того, вчені дозволили моделі-"вчителю" також навчатися на досвіді "учня". Це допомогло зменшити так званий розрив між "вчителем" і "учнем", коли реальний робот стикається з умовами, які відрізняються від ідеалізованої комп'ютерної симуляції.
Один алгоритм для різних поверхонь
Нову систему встановили на повнорозмірного гуманоїдного робота в лабораторії доцента Є Чжао.
Робот успішно пересувався нерівною місцевістю просто неба та слизькими поверхнями всередині приміщень без необхідності перемикатися між різними алгоритмами керування.
Фейян Ву зізнався, що команда не очікувала настільки високих результатів.
За його словами, досі не було доведено, що великий і важкий гуманоїдний робот здатний настільки спритно пересуватися складною місцевістю. Однак новий алгоритм навчання виявився ефективним для найрізноманітніших умов.
Доцент Є Чжао зазначив, що новий контролер навіть перевершив програмне забезпечення, яке постачав виробник робота. Це, на його думку, демонструє переваги поєднання сучасних методів машинного навчання з практичною робототехнікою.
Дослідники вважають, що технологію Learn to Teach можна використовувати не лише для гуманоїдних роботів, а й для інших роботизованих систем, які мають працювати в непередбачуваних умовах.
Источник: unian.ua