Robot Mengajari Diri Sendiri Berjalan Melalui Pembelajaran Penguatan

Sementara Boston Dynamics dan robot menari biasanya menerima sebagian besar perhatian, ada beberapa perkembangan besar yang terjadi di balik layar yang tidak menerima cukup liputan. Salah satu perkembangan tersebut berasal dari laboratorium Berkeley, di mana sebuah robot bernama Cassie dapat mengajari dirinya sendiri berjalan melalui pembelajaran penguatan.

Setelah mencoba dan mengalami kesalahan, pasangan kaki robot belajar navigasi di lingkungan simulasi sebelum diuji di dunia nyata. Awalnya, robot menunjukkan kemampuan berjalan ke semua arah, berjalan sambil berjongkok, memposisikan kembali dirinya ketika dipukul keluar keseimbangan, dan menyesuaikan diri dengan berbagai jenis permukaan.

Robot Cassie adalah contoh pertama robot dua kaki yang berhasil menggunakan pembelajaran penguatan untuk berjalan.

Kagumnya Robot Menari

Sementara robot seperti yang dari Boston Dynamics sangat mengesankan dan membuat hampir semua orang yang menontonnya terkesan, ada beberapa faktor kunci. Yang paling penting, robot-robot ini diprogram dan dikoreografi secara manual untuk mencapai hasil, tetapi ini bukan metode yang diinginkan dalam situasi dunia nyata.

Di luar laboratorium, robot harus kuat, tangguh, fleksibel, dan banyak lagi. Di atas semua itu, mereka perlu dapat menemui dan menangani situasi yang tidak terduga, yang hanya dapat dilakukan dengan memungkinkan mereka menangani situasi tersebut sendiri.

Zhongyu Li adalah bagian dari tim yang bekerja pada Cassie di Universitas Berkeley.

“Video ini mungkin membuat beberapa orang percaya bahwa ini adalah masalah yang sudah terpecahkan dan mudah,” kata Li. “Tapi kita masih memiliki jalan panjang untuk membuat robot humanoid beroperasi dan hidup di lingkungan manusia dengan andal.”

https://www.youtube.com/watch?v=goxCjGPQH7U

Pembelajaran Penguatan

Untuk membuat robot seperti itu, tim Berkeley bergantung pada pembelajaran penguatan, yang telah digunakan oleh perusahaan seperti DeepMind untuk melatih algoritma mengalahkan manusia di permainan yang paling kompleks. Pembelajaran penguatan didasarkan pada mencoba dan mengalami kesalahan, dengan robot belajar dari kesalahan-kesalahannya.

Robot Cassie menggunakan pembelajaran penguatan untuk belajar berjalan di simulasi, yang tidak pertama kalinya pendekatan ini digunakan. Namun, ini tidak biasanya keluar dari lingkungan simulasi dan masuk ke dunia nyata. Bahkan perbedaan kecil dapat menyebabkan robot gagal berjalan.

Peneliti menggunakan dua simulasi bukan satu, dengan yang pertama adalah lingkungan pelatihan sumber terbuka yang disebut MuJoCo. Di simulasi pertama, algoritma mencoba dan belajar dari perpustakaan gerakan yang mungkin, dan di simulasi kedua yang disebut SimMechanics, robot menguji mereka di kondisi yang lebih nyata.

Setelah dikembangkan di dua simulasi, algoritma tidak perlu disesuaikan lagi. Ini sudah siap digunakan di dunia nyata. Tidak hanya dapat berjalan, tetapi juga dapat melakukan banyak hal lain. Menurut peneliti, Cassie dapat pulih setelah dua motor di lutut robot mengalami kerusakan.

Sementara Cassie mungkin tidak memiliki semua fitur yang dimiliki robot lain, ini banyak cara lebih mengesankan. Ini juga memiliki implikasi yang lebih besar untuk teknologi ketika datang ke penggunaan dunia nyata, karena robot berjalan seperti ini dapat digunakan di berbagai sektor.