Podívejte se, jak se tento robotický pes pohybuje.
Nejprve klusá, pak skáče. Nikdo mu nedává příkazy. Prostě se to přepne samo.
Tohle je KAIST HOUND. Váží asi 45 kilogramů (100 liber) a pohybuje se plynule, což se dříve u strojů tohoto typu zdálo nemožné. Pomocí kamer a lidaru robot skenuje povrch před sebou. Poté zvolí vhodný krok: rovný klus pro rovinu a rychlý skokový běh pro překonání překážek. To vše se děje v reálném čase: robot koriguje pohyb nohou nezávisle, bez vnějšího zásahu.
Výzkumníci testovali zařízení v otevřených prostorách. Projeli robota přes univerzitní kampus, pokryli 0,7 mil asfaltu, a pak ho poslali do lesa. Robot tam proplul 0,2 míle stezkou posetou kořeny, kládami a kluzkým listím. Všechno zvládal. Podrobnosti studie byly zveřejněny v časopise Science Robotics 15. července.
Jaká je obtížnost?
Zvířata neustále mění způsob, jakým se pohybují. Všimli jste si někdy, jak pes na nerovném terénu zpomalí a jde do klusu, a když je cesta uvolněná, snadno přeskočí hůl? Je to pro ně přirozený proces.
Pro robota je to naprosto nepřirozené. Je to složité.
Obvykle jsou klus a skoky naprogramovány ve zcela oddělených systémech. Přepínání mezi nimi způsobuje zpoždění. Zpoždění vedou k klopýtnutí. Zakopnutí znamená, že robot je rozbitý nebo nefunkční. Roboti „umírají“ v mezeře mezi těmito dvěma styly programování.
Výzkumný tým potřeboval postavit most mezi těmito systémy.
„Mozek“ za „svaly“
Vytvořili systém nazvaný APT-RL.
Toto je zkratka pro Action Pretrained Transformer-based Reinforcement Learning. Název je složitý. Koncept je jednodušší.
Nejprve se umělá inteligence naučila různé pohyby. Model transformátoru odhalil vzory mezi všemi z nich. Pak vstoupilo do hry posilování: pokus a omyl. Za správné jednání – povzbuzení, za chyby – pokuta.
Ale kde se vzala tréninková data?
Skutečný robot ještě neexistoval. Začali s dvourozměrným modelem. Jednoduchá počítačová simulace. Pomocí optimalizace trajektorie zjišťovali, jaké pohyby jsou pro končetiny fyzicky možné. Vytvořili 180 milionů sekvencí: krátké fragmenty klusu a skákání. Byly vypočteny síly potřebné pro provoz spojů. Vytvoření této datové sady trvalo pouhých osm minut. Patnáct hodin dopravních dat připravených za čas potřebný k uvaření vody.
Umělá inteligence se pak musela naučit volit, kdy který pohyb použít.
Simulace házela robotovi do cesty různé překážky: schody, kameny na přeskakování, zábrany, díry, nerovný terén. Robot se musel sám rozhodnout, kterou dovednost použije a jak ji za běhu přizpůsobí.
Tady začíná zábava. Do simulace byly přidány hloubkové kamery a lidary. Robot musel „vidět“ stejným způsobem, jakým by vidělo skutečné zařízení.
„Systém vybere vhodnou výšku tónu a upraví pohyby v reálném čase na základě vizuálních dat.“
Při jednom vnitřním testu robot překonal překážku vysokou dvě stopy (asi 60 cm). Udělal to rychlostí 15 kilometrů za hodinu (asi 9 mil za hodinu). Dokonce skočil z třístupňového žebříku.
Všimněte si, jak zvolil své pohyby. Nízká rychlost? Rys. Nerovný povrch? Šel níž a jednal opatrněji. Vysoká rychlost? Dlouhé kroky? Skákací běh.
Vždy se rozhodl správně. Verze softwaru určená pouze pro klus často havarovala. Totéž se stalo s verzí, která vynucovala pouze skoky. A co hybridní verze? Stabilní.
Je to jen trik?
Ne. Robot se naučil chování, kterému se zjevně nenaučil. Například skok přes kládu. Počáteční data pro trénink předpokládala rovný povrch. Log nebyl v plánu. Ale AI uspěla, protože učení nebylo jen o kopírování, ale o pochopení terénu ve třech rozměrech.
Sám opravuje chyby.
Přizpůsobí se.
Právě tyto schopnosti mění to, co tyto stroje dokážou dělat v reálném životě, mimo laboratoř. Dokonale rovné podlahy již nejsou potřeba.
Uvidíte v dohledné době takového robota v kurýrní službě? Možná.
Nebo možná ještě chvíli zůstane na koleji.
