Майже як справжній. В Китаї навчили робота-собаку підніматися сходами та стрибати по колодах

Чотириногий робот навчився змінювати спосіб бігу під час подолання лісів, сходів та смуг перешкод — плавно перемикаючись між рівною риссю та швидшим стрибаючим кроком без інструкцій від оператора-людини, пише Live Science.

Робот вагою 45 кілограмів під назвою KAIST HOUND використовує камери та лідар для сканування землі попереду, потім вибирає відповідний стиль руху та коригує свої рухи в режимі реального часу. Під час випробувань на відкритому повітрі він подолав маршрут університетського кампусу довжиною 1,1 кілометра та лісову стежку довжиною 0,3 км, всіяну корінням, колодами та слизьким листям.

Тварини природно змінюють свою ходу залежно від швидкості та оточення. Собака може, наприклад, обережно бігти риссю по нерівній місцевості, перш ніж перестрибнути через повалену гілку. Відтворити цю адаптивність у роботах складно, оскільки різні рухи часто контролюються окремими, вузькоспеціалізованими системами кодування, а переходи між ними можуть спричиняти затримку, яка змушує робота спотикатися.

Щоб подолати цю проблему, дослідники розробили спеціальну навчальну платформу під назвою «навчання на основі трансформатора з підкріпленням», попередньо навчене діям (APT-RL). Це система навчання зі штучним інтелектом (ШІ), яка спочатку вивчає багато прикладів дій, використовує трансформатор для розуміння закономірностей у цих діях, а потім покращує свою роботу за допомогою винагород і штрафів.

Навчання розпочалося з простої двовимірної комп’ютерної моделі робота. Використовуючи оптимізацію траєкторії — метод, який розраховує фізично придатні для роботи рухи — команда створила 180 000 коротких послідовностей рисі та стрибків, включаючи зусилля суглобів, які повинні виконувати ноги робота. Набір даних відображав близько 15,5 годин руху, але на його створення знадобилося лише близько восьми хвилин.

Під час навчання з підкріпленням — методу машинного навчання, за якого штучний інтелект вчиться приймати найкращі рішення, взаємодіючи з певним середовищем методом спроб і помилок, — система штучного інтелекту потім навчилася вибирати та змінювати ці навички, долаючи змодельовані сходи, сходинки, перешкоди, прогалини та нерівну місцевість. Зрештою, дослідники налаштували систему, щоб включити в симуляцію глибинну камеру робота та лідарний сканер.

В одному тесті в приміщенні HOUND перестрибнув перешкоду заввишки 60 сантиметрів, ненадовго розвинувши швидкість до 15 км/год. Він також стрибнув униз триступеневими сходами. Робот зазвичай обирав рись на низьких швидкостях на нерівній поверхні, тоді як стрибки ставали більш поширеними на високих швидкостях або коли він стикався з більшими сходами, перешкодами чи прогалинами. Система штучного інтелекту, яка могла вибирати будь-який з аллюрів, працювала більш стабільно в різних симульованих середовищах, ніж версія, обмежена лише риссю або стрибками.

Дослідники припускають, що ця технологія зрештою може допомогти роботам орієнтуватися в зонах лих або інших місцях, недоступних для колісних машин. Однак поточна структура дозволяє лише два варіанти ходи та в основному обробляє рух вперед.