Googles AI lär robotar att röra sig genom att titta på hundar

Även några av de mest avancerade robotarna idag rör sig fortfarande på ett ganska klumpigt, ryckigt sätt. För att få robotar att röra sig på ett mer levande, flytande sätt har forskare på Google (GOOGL ) utvecklat ett AI-system som kan lära sig från rörelserna hos riktiga djur. Google-forskningsgruppen publicerade en preprint-artikel som beskrev deras tillvägagångssätt i slutet av förra veckan. I artikeln och en tillhörande blogginlägg beskriver forskargruppen bakgrunden till systemet. Författarna till artikeln tror att om man ger robotar mer naturliga rörelser kan det hjälpa dem att utföra verkliga uppgifter som kräver exakt rörelse, som att leverera föremål mellan olika våningar i en byggnad.

Som VentureBeat rapporterade, använde forskargruppen förstärkt inlärning för att träna sina robotar. Forskarna började med att samla in klipp av riktiga djur i rörelse och använde förstärkt inlärning (RL) för att driva robotarna mot att imitera rörelserna hos djuren i videoklippen. I det här fallet tränade forskarna robotarna på klipp av en hund, designad i en fysiksimulator, och instruerade en fyrbenad Unitree Laikago-robot att imitera hundens rörelser. Efter att roboten var tränad kunde den utföra komplexa rörelser som hopp, vändning och snabb gång, med en hastighet på cirka 4,2 kilometer i timmen.

Träningsdata bestod av cirka 200 miljoner prover av hundar i rörelse, spårade i en fysiksimulering. De olika rörelserna kördes sedan genom belöningsfunktioner och policys som agenter lärde sig med. Efter att policys skapades i simuleringen överfördes de till den verkliga världen med hjälp av en teknik som kallas latent utrymmeanpassning. Eftersom fysiksimulatorerna som användes för att träna robotarna endast kunde approximera vissa aspekter av rörelse i den verkliga världen, applicerade forskarna slumpmässigt olika störningar på simuleringen, avsedda att simulera drift under olika förhållanden.

Enligt forskargruppen kunde de anpassa simuleringens policys till verkliga robotar med hjälp av endast åtta minuters data som samlats in från 50 olika försök. Forskarna kunde demonstrera att verkliga robotar kunde imitera en mängd olika, specifika rörelser som skritt, vändning, hopp och gång. De kunde till och med imitera animationer skapade av animatörer, som en kombination av hopp och vändning.

Forskarna sammanfattar resultaten i artikeln:

“Vi visar att genom att utnyttja referensrörelsedata kan en enda inlärningsbaserad metod automatiskt syntetisera styrenheter för en mångfald av beteenden för benförsedda robotar. Genom att införa exempel-effektiva domänanpassningstekniker i träningsprocessen kan vårt system lära sig anpassningsbara policys i simulering som sedan kan anpassas snabbt för verklig distribution.”

De styrenheter som användes under den förstärkta inlärningsprocessen hade sina begränsningar. På grund av begränsningar som påtvingats av hårdvaran och algoritmerna kunde robotarna inte göra vissa saker. De kunde inte springa eller göra stora hopp, till exempel. De inlärda policysna visade inte heller lika stor stabilitet när de jämfördes med rörelser som designats manuellt. Forskargruppen vill ta arbetet vidare genom att göra styrenheterna mer robusta och kapabla att lära sig från olika typer av data. Idealt sett kommer framtida versioner av ramverket att kunna lära sig från videodata.