Look at the robot dog go.
Ia berlari. Kemudian itu terbatas. No human telling it what to do. Itu hanya beralih.
Itu adalah KAIST HOUND. Beratnya sekitar 45 kilogram (100 pon) dan bergerak dengan fluiditas yang sebelumnya tidak mungkin dilakukan oleh mesin jenis ini. Ia menggunakan kamera dan lidar untuk melihat keadaan di depan. Kemudian ia memilih gaya berjalan. A steady trot for the flat parts. A fast, bounding run for the gaps. Ia melakukan semua ini secara real time, menyesuaikan kakinya tanpa meminta izin.
The researchers proved this outside. Mereka membawa bot tersebut melalui kampus universitas, sekitar 1,2 mil dari trotoar. Then they sent it into the woods. Jalan setapak sepanjang 0,2 mil ditutupi akar, batang kayu, dan dedaunan licin. Itu menangani semuanya. Detailnya muncul di Science Robotics pada 15 Juli.
Mengapa sulit
Animals change their walk all the time. Tahukah Anda bagaimana seekor anjing melambat untuk berlari melewati tanah yang kasar, lalu melompati sebatang tongkat ketika jalan setapak sudah bersih? Rasanya alami.
Doing it in a robot is not natural at all. It’s tricky.
Usually, a trot and a bound are coded by totally separate systems. Switching between them creates lag. Lag means stumbling. Stumbling means the robot breaks or fails. Kesenjangan antara dua gaya pengkodean inilah yang menyebabkan robot mati.
The team needed a bridge.
### The brain behind the brawn
They built something called APT-RL.
Ini adalah singkatan dari pembelajaran penguatan berbasis transformator yang telah dilatih sebelumnya. Namanya seteguk. Konsepnya lebih sederhana.
First, the AI studied a bunch of actions. A transformer model looked at the patterns across all of them. Kemudian pembelajaran penguatan dimulai. Coba-coba. Rewards for good moves, penalties for bad ones.
But where did the data come from?
They didn’t build a real robot yet. Mereka mulai dalam 2D. Model komputer sederhana. They used trajectory optimization to figure out what physically works for the legs. They generated 180,0 million sequences. Short bursts of trotting and bounding. They calculated the joint forces needed. It took eight minutes to create that dataset. Fifteen hours worth of movement data. Ready in the time it takes to boil water.
Next, the AI had to learn when to use what.
The simulation threw obstacles at it. Tangga. Batu loncatan. Lari gawang. Gaps. Tanah yang kasar. Bot harus memikirkan cara memilih keterampilan yang tepat dan memodifikasinya dengan cepat.
Dan inilah penendangnya. Simulasi menambahkan kamera kedalaman dan pemindai lidar. It had to “see” like the real bot would.
“Sistem memilih gaya berjalan yang sesuai dan menyesuaikan gerakan secara real time berdasarkan masukan visual.”
Dalam satu pengujian di dalam ruangan, benda tersebut berhasil melewati rintangan setinggi dua kaki. Ia mencapai kecepatan 15 kilometer per jam (sekitar 9 mph) saat melakukannya. It even jumped down three stairs.
Notice how it chose its moves. Kecepatan lebih rendah? Ia berlari. Tanah tidak rata? It stayed low and careful. Kecepatan tinggi? Langkah besar? It bound.
It made the right call every time. Versi perangkat lunak yang dibatasi hanya untuk berlari sering kali gagal. So did the version forced to only bound. Hibrida? Konsisten.
Is this just a trick?
No. The robot learned behaviors it was never explicitly taught. Like jumping over a log. The original training data was flat. The log wasn’t in the plan. Namun AI berhasil mengetahuinya karena pelatihannya tidak hanya menyalin—tetapi juga memahami medan dalam tiga dimensi.
Itu mengoreksi dirinya sendiri.
Itu beradaptasi.
Hal inilah yang mengubah apa yang sebenarnya dapat dilakukan oleh mesin ini di luar laboratorium. No more flat floors required.
Will you see one delivering packages next? Mungkin.
Or maybe it stays on campus for a while.
