AI Google mengajari robot cara bergerak dengan mengamati anjing

Bahkan beberapa robot tercanggih saat ini masih bergerak dengan cara yang kikuk dan tersentak-sentak. Untuk membuat robot bergerak dengan cara yang lebih hidup dan lancar, para peneliti di Google telah mengembangkan sistem AI yang mampu belajar dari gerakan hewan nyata. Tim riset Google menerbitkan a kertas pracetak yang merinci pendekatan mereka akhir pekan lalu. Di koran dan pendampingnya posting blog, tim peneliti menjelaskan alasan di balik sistem tersebut. Para penulis makalah percaya bahwa memberi robot gerakan yang lebih alami dapat membantu mereka menyelesaikan tugas dunia nyata yang membutuhkan gerakan yang tepat, seperti mengirimkan barang di antara berbagai tingkat bangunan.

Seperti yang dilaporkan VentureBeat, tim peneliti memanfaatkan pembelajaran penguatan untuk melatih robot mereka. Para peneliti memulai dengan mengumpulkan klip-klip hewan nyata yang bergerak dan menggunakan teknik pembelajaran penguatan (RL) untuk mendorong robot meniru gerakan-gerakan hewan dalam klip video. Dalam hal ini, para peneliti melatih robot pada klip anjing, yang dirancang dalam simulator fisika, menginstruksikan robot Unitree Laikago berkaki empat untuk meniru gerakan anjing tersebut. Setelah dilatih, robot tersebut mampu melakukan gerakan kompleks seperti melompat, berputar, dan berjalan dengan cepat, dengan kecepatan sekitar 2.6 mil per jam.

Data pelatihan terdiri dari sekitar 200 juta sampel anjing yang sedang bergerak, dilacak dalam simulasi fisika. Gerakan yang berbeda kemudian dijalankan melalui fungsi penghargaan dan kebijakan yang dipelajari oleh agen. Setelah kebijakan dibuat dalam simulasi, kebijakan tersebut dipindahkan ke dunia nyata menggunakan teknik yang disebut adaptasi ruang laten. Karena simulator fisika yang digunakan untuk melatih robot hanya dapat mendekati aspek tertentu dari gerakan dunia nyata, para peneliti secara acak menerapkan berbagai gangguan pada simulasi, yang dimaksudkan untuk mensimulasikan operasi dalam kondisi yang berbeda.

Menurut tim peneliti, mereka dapat mengadaptasi kebijakan simulasi ke robot dunia nyata dengan hanya menggunakan delapan menit data yang dikumpulkan dari 50 percobaan berbeda. Para peneliti berhasil menunjukkan bahwa robot dunia nyata mampu meniru berbagai gerakan spesifik yang berbeda seperti berlari, berputar, melompat, dan mondar-mandir. Mereka bahkan mampu meniru animasi yang dibuat oleh seniman animasi, seperti kombinasi hop and turn.

Para peneliti merangkum temuan di makalah:

“Kami menunjukkan bahwa dengan memanfaatkan data gerakan referensi, pendekatan berbasis pembelajaran tunggal dapat secara otomatis mensintesis pengontrol untuk repertoar beragam perilaku untuk robot berkaki. Dengan menggabungkan sampel teknik adaptasi domain yang efisien ke dalam proses pelatihan, sistem kami dapat mempelajari kebijakan adaptif dalam simulasi yang kemudian dapat diadaptasi dengan cepat untuk penerapan di dunia nyata.”

Kebijakan kontrol yang digunakan selama proses pembelajaran penguatan memiliki keterbatasan. Karena kendala yang diberlakukan oleh perangkat keras dan algoritme, ada beberapa hal yang tidak bisa dilakukan robot. Mereka tidak dapat berlari atau melakukan lompatan besar, misalnya. Kebijakan yang dipelajari juga tidak menunjukkan stabilitas sebanyak jika dibandingkan dengan gerakan yang dirancang secara manual. Tim peneliti ingin bekerja lebih jauh dengan membuat pengontrol lebih kuat dan mampu belajar dari berbagai jenis data. Idealnya, versi kerangka kerja yang akan datang akan dapat belajar dari data video.