L’AI di Google insegna ai robot a muoversi guardando i cani

Anche alcuni dei robot più avanzati di oggi si muovono ancora in modi un po’ goffi e a scatti. Al fine di far muovere i robot in modi più simili alla vita e fluidi, i ricercatori di Google hanno sviluppato un sistema di intelligenza artificiale in grado di imparare dai movimenti di animali reali. Il team di ricerca di Google ha pubblicato un preprint di un documento che dettaglia il loro approccio alla fine della scorsa settimana. Nel documento e in un post del blog che lo accompagna, il team di ricerca descrive la razionale dietro il sistema. Gli autori del documento ritengono che dotare i robot di movimenti più naturali potrebbe aiutarli a compiere compiti del mondo reale che richiedono movimenti precisi, come consegnare oggetti tra diversi livelli di un edificio.

Come ha riportato VentureBeat, il team di ricerca ha utilizzato l’apprendimento per rinforzo per addestrare i loro robot. I ricercatori hanno iniziato raccogliendo clip di animali reali in movimento e utilizzando tecniche di apprendimento per rinforzo (RL) per spingere i robot a imitare i movimenti degli animali nei clip video. In questo caso, i ricercatori hanno addestrato i robot su clip di un cane, progettato in un simulatore di fisica, istruendo un robot a quattro zampe Unitree Laikago a imitare i movimenti del cane. Dopo che il robot è stato addestrato, è stato in grado di compiere movimenti complessi come saltare, girare e camminare velocemente, a una velocità di circa 2,6 miglia all’ora.

I dati di addestramento consistevano di circa 200 milioni di campioni di cani in movimento, tracciati in una simulazione di fisica. I diversi movimenti sono stati poi eseguiti attraverso funzioni di ricompensa e politiche che gli agenti hanno imparato. Dopo che le politiche sono state create nella simulazione, sono state trasferite nel mondo reale utilizzando una tecnica chiamata adattamento dello spazio latente. Poiché i simulatori di fisica utilizzati per addestrare i robot potevano solo approssimare certi aspetti del movimento del mondo reale, i ricercatori hanno applicato casualmente varie perturbazioni alla simulazione, destinate a simulare l’operazione in condizioni diverse.

Secondo il team di ricerca, sono stati in grado di adattare le politiche di simulazione ai robot del mondo reale utilizzando solo 8 minuti di dati raccolti da 50 prove diverse. I ricercatori sono riusciti a dimostrare che i robot del mondo reale sono stati in grado di imitare una varietà di movimenti diversi e specifici come trotterellare, girare, saltare e camminare. Sono anche stati in grado di imitare animazioni create da artisti di animazione, come una combinazione di salto e giro.

I ricercatori riassumono i risultati nel documento:

“Mostriamo che sfruttando i dati di movimento di riferimento, un unico approccio basato sull’apprendimento è in grado di sintetizzare automaticamente i controller per una gamma diversificata [di] comportamenti per robot a zampe. Incorporando tecniche di adattamento del dominio efficienti nei campioni nel processo di addestramento, il nostro sistema è in grado di apprendere politiche adattive nella simulazione che possono poi essere adattate rapidamente per il dispiegamento nel mondo reale.”

Le politiche di controllo utilizzate durante il processo di apprendimento per rinforzo avevano dei limiti. A causa delle limitazioni imposte dal hardware e dagli algoritmi, c’erano alcune cose che i robot semplicemente non potevano fare. Non sono stati in grado di correre o fare grandi salti, ad esempio. Le politiche apprese non hanno esibito altrettanta stabilità rispetto ai movimenti progettati manualmente. Il team di ricerca vuole portare il lavoro più avanti rendendo i controller più robusti e in grado di apprendere da diversi tipi di dati. Idealmente, le future versioni del framework saranno in grado di apprendere da dati video.