Посмотрите, как движется этот робот-собака.
Сначала он скачет рысью, затем переходит на прыжки. Никто не отдает ему команд. Он просто сам переключается.
Это KAIST HOUND. Его вес составляет около 45 килограммов (100 фунтов), и он движется с той плавностью, которая раньше казалась невозможной для машин этого типа. Используя камеры и лидар, робот сканирует поверхность впереди. Затем он выбирает подходящий шаг: ровную рысь для равных участков и быстрый прыжковый бег для преодоления препятствий. Все это происходит в режиме реального времени: робот корректирует движение ног самостоятельно, без внешнего вмешательства.
Исследователи протестировали устройство на открытой местности. Они прогнали робота по кампусу университета, преодолев 0,7 мили асфальта, а затем отправили его в лес. Там робот преодолел 0,2 мили тропы, усеянной корнями, бревнами и скользкими листьями. Он справился со всем. Подробности исследования были опубликованы в журнале Science Robotics 15 июля.
В чем сложность
Животные постоянно меняют манеру передвижения. Вы ведь замечали, как собака замедляется и переходит на рысь по неровной земле, а когда путь расчищается, легко перепрыгивает через палку? Для них это естественный процесс.
Для робота же это совершенно неестественно. Это сложно.
Обычно рысь и прыжковый бег запрограммированы в полностью отдельных системах. Переключение между ними вызывает задержки. Задержки приводят к спотыканию. Спотыкание означает поломку или сбой робота. Именно в разрыве между двумя стилями программирования роботы «погибают».
Команде исследователей нужно было построить мост между этими системами.
«Мозг» за «мускулами»
Они создали систему под названием APT-RL.
Это аббревиатура от Action Pretrained Transformer-based Reinforcement Learning (Обучение с подкреплением на основе предварительно обученной трансформерной модели действий). Название сложное. Концепция — проще.
Сначала искусственный интеллект изучил множество движений. Трансформерная модель выявила закономерности среди всех них. Затем вступило в силу обучение с подкреплением: метод проб и ошибок. За правильные действия — поощрение, за ошибки — штраф.
Но откуда взялись данные для обучения?
Реального робота еще не существовало. Они начали с двумерной модели. Простой компьютерной симуляции. С помощью оптимизации траектории они выяснили, какие движения физически возможны для конечностей. Они сгенерировали 180 миллионов последовательностей: короткие фрагменты рыси и прыжкового бега. Были рассчитаны силы, необходимые для работы суставов. Создание этого набора данных заняло всего восемь минут. Пятнадцать часов данных о движении, готовых за время, которое нужно, чтобы вскипятить воду.
Затем ИИ должен был научиться выбирать, когда какое движение применять.
Симуляция бросала роботу на путь различные препятствия: лестницы, камни для перепрыгивания, барьеры, ямы, неровный грунт. Роботу приходилось самостоятельно решать, какой навык применить и как адаптировать его на лету.
А вот здесь начинается самое интересное. В симуляцию были добавлены глубинные камеры и лидары. Робот должен был «видеть» так же, как будет видеть реальное устройство.
«Система выбирает подходящий шаг и корректирует движения в режиме реального времени на основе визуальных данных».
В одном из тестов внутри помещения робот преодолел препятствие высотой два фута (около 60 см). Он делал это на скорости 15 километров в час (примерно 9 миль в час). Он даже спрыгнул с трехступенчатой лестницы.
Обратите внимание, как он выбирал свои движения. Низкая скорость? Рысь. Неровная поверхность? Он опускался ниже и действовал осторожнее. Высокая скорость? Длинные шаги? Прыжковый бег.
Он всегда принимал правильное решение. Версия программного обеспечения, ограниченная только рысью, часто давала сбои. То же самое происходило с версией, принудительно использующей только прыжки. А гибридная версия? Стабильная.
Это просто трюк?
Нет. Робот выучил поведения, которым его явно не обучали. Например, перепрыгивание через бревно. Исходные данные для тренировки предполагали ровную поверхность. Бревна не было в плане. Но ИИ справился, потому что обучение заключалось не просто в копировании, а в понимании рельефа в трех измерениях.
Он сам корректирует ошибки.
Он адаптируется.
Именно такие возможности меняют то, на что эти машины могут рассчитывать в реальной жизни, за пределами лаборатории. Больше не требуются идеально ровные полы.
Увидите ли вы такого робота в курьерской службе в ближайшее время? Возможно.
Или, может быть, он еще какое-то время останется в рамках университетского кампуса.
