Kijk hoe de robothond gaat.
Het draaft. Dan grenst het. Geen mens die hem vertelt wat hij moet doen. Het schakelt gewoon.
Dat is de KAIST HOND. Hij weegt ongeveer 45 kilogram (100 pond) en beweegt met een vloeibaarheid die voorheen onmogelijk was voor machines van dit type. Het maakt gebruik van camera’s en lidar om naar de grond voor zich te kijken. Dan kiest hij een gang. Een constante draf voor de vlakke delen. Een snelle, begrenzende run voor de gaten. Hij doet dit allemaal in realtime en past zijn poten aan zonder toestemming te vragen.
De onderzoekers bewezen dit buiten. Ze namen de bot mee over een universiteitscampus, ongeveer 1,2 km trottoir. Toen stuurden ze het het bos in. Een pad van 0,2 mijl bedekt met wortels, boomstammen en gladde bladeren. Het regelde het allemaal. De details verschenen op 15 juli in Science Robotics.
Waarom het moeilijk is
Dieren veranderen voortdurend van manier van lopen. Weet je hoe een hond langzamer gaat draven over ruw terrein en dan over een stok springt als het pad vrijkomt? Het voelt natuurlijk aan.
Het is helemaal niet natuurlijk om het in een robot te doen. Het is lastig.
Gewoonlijk worden een draf en een sprong gecodeerd door totaal gescheiden systemen. Als u ertussen schakelt, ontstaat er vertraging. Lag betekent struikelen. Struikelen betekent dat de robot kapot gaat of faalt. In de kloof tussen twee codeerstijlen sterven robots.
Het team had een brug nodig.
Het brein achter de kracht
Ze hebben iets gebouwd dat APT-RL heet.
Het staat voor actie-voorgetraind, op transformator gebaseerd versterkingsleren. De naam is een mondvol. Het concept is eenvoudiger.
Eerst bestudeerde de AI een aantal acties. Een transformatormodel keek naar de patronen in alle patronen. Toen begon het versterkende leren. Met vallen en opstaan. Beloningen voor goede zetten, straffen voor slechte.
Maar waar kwamen de gegevens vandaan?
Ze hebben nog geen echte robot gebouwd. Ze begonnen in 2D. Een eenvoudig computermodel. Ze gebruikten trajectoptimalisatie om erachter te komen wat fysiek werkt voor de benen. Ze genereerden 180,0 miljoen sequenties. Korte uitbarstingen van draven en springen. Ze berekenden de benodigde gezamenlijke krachten. Het duurde acht minuten om die dataset te maken. Vijftien uur aan bewegingsgegevens. Klaar in de tijd die nodig is om water te koken.
Vervolgens moest de AI leren wanneer hij wat moest gebruiken.
De simulatie gooide obstakels op haar pad. Trap. Stapstenen. Hindernissen. Hiaten. Ruwe grond. De bot moest uitzoeken hoe hij de juiste vaardigheid kon selecteren en deze meteen kon aanpassen.
En hier is de kicker. De simulatie voegde dieptecamera’s en lidarscanners toe. Het moest “zien” zoals de echte bot dat zou doen.
“Het systeem selecteert de juiste gangen en past bewegingen in realtime aan op basis van visuele input.”
Bij één indoortest wist het ding een obstakel van zestig centimeter hoog te overwinnen. Hij haalde daarbij een snelheid van 15 kilometer per uur (ongeveer 9 mph). Hij sprong zelfs drie trappen naar beneden.
Merk op hoe hij zijn zetten koos. Lagere snelheden? Het draafde. Oneffen grond? Het bleef laag en voorzichtig. Hoge snelheden? Grote stappen? Het bond.
Het maakte elke keer de juiste beslissing. Een versie van de software die beperkt was tot alleen draven mislukte vaak. Dat gold ook voor de versie die gedwongen werd om alleen maar te binden. De hybride? Consistent.
Is dit gewoon een truc?
Nee. De robot leerde gedrag dat nooit expliciet werd aangeleerd. Alsof je over een boomstam springt. De oorspronkelijke trainingsgegevens waren plat. Het logboek stond niet in het plan. Maar de AI kwam erachter omdat de training niet alleen maar kopiëren betrof, maar ook het begrijpen van terrein in drie dimensies.
Het corrigeert zichzelf.
Het past zich aan.
Dit is iets dat verandert wat deze machines feitelijk doen buiten een laboratorium. Geen vlakke vloeren meer nodig.
Zie jij er straks eentje pakketjes bezorgen? Misschien.
Of misschien blijft het een tijdje op de campus.
