● news.bsdnet.hu

A humanoid robotok fejlesztésének elsődleges célja, hogy különféle fizikai feladatok ellátásában segítsék az embereket valós környezetben, ám a legtöbb modell még csak korlátozott számú mozdulatsort képes megbízhatóan végrehajtani, így a felhasználási lehetőségek viszonylag szűkösek. Az emberi testalkatra emlékeztető felépítésű robotrendszereket folyamatosan tanítják az emberszerű mozdulatokra, ami nagy kihívást jelentő és időigényes feladat a kutatók számára. A fejlesztők által alkalmazott egyik bevált módszer, hogy a robotok mozgását meghatározó algoritmusokat, azaz a vezérlőket minél több emberi mozgásmintáról készített mintával tanítják be. Így ugyan a humanoid szerkezetek valamilyen szinten képesek lesznek egyes mozdulatok reprodukálásra, az összhatás valamiért mégis természetellenesnek tűnik, vagy további finomítást igényel. A Kaliforniai Egyetem és a Stanford Egyetem kutatói a közelmúltban ismertették a BeyondMimic nevű új AI-keretrendszer eredményeit, amely pont erre a problémára kíván megoldást nyújtani. Az új keretrendszerrel úgy bővíthetik a fejlesztők a humanoid robotok mozgásrepertoárját, hogy közben kevesebb időt kell szánni utólag a finomhangolásra, vagy a feladatspecifikus újratanításra. A Science Robotics folyóiratban ismertetett keretrendszer a jutalmazás és büntetés elvén működő megerősítéses tanuláson alapul, és a módszer nagy újdonsága, hogy egyetlen beállítással és közös hiperparaméterekkel lehet betanítani a robotokat. A BeyondMimic betanításához a kutatók közel 2,5 órányi emberi mozgásanyagot használtak fel arról, hogyan hajtanak végre az emberek olyan mozgásokat, mint a séta, futás, küzdősportgyakorlás, ugrálás, vagy éppen a cigánykerekezés. Az adatokban szereplő mozgásformákat ezt követően hozzáigazították a Unitree Robotics által fejlesztett G1 humanoid robot testarányaihoz és mozgóelemeihez. A megerősített tanulás módszerével a kutatócsapat olyan vezérlési stratégiákat tudott megalkotni, melyekkel a robotok produkálni tudták a testrészek pozícióját, orientációját és sebességét az egyes referenciamozgások során. A megerősítéses tanulás egy széles körben alkalmazott módszer, amellyel jutalmak és büntetések révén tanítanak be számítógépes algoritmusokat - jelen esetben a modell jutalmat kapott a pontos mozgáskövetésért, de büntetés járt  a rángatózó mozdulatokért, a nem biztonságos pozíciókért, és a nemkívánatos érintkezésekért is. A kutatók ezután egy variációs autoenkódert használtak arra, hogy a megtanult mozgásokat egy tömörebb reprezentációba sűrítsék. Erre építettek egy úgynevezett diffúziós modellt is, amely megtanulta, hogyan lehet ezekből a mozgásokból új mozgássorozatokat létrehozni. A robot tehát nem egyszerűen egy előre programozott koreográfiát kapott, hanem egy olyan repertoárt tanult meg, amelyből később újabb mozdulatokat rakhatott össze. A robotok betanítása során az eddigi hagyományos megközelítésnél minden új mozdulathoz vagy feladathoz külön vezérlési stratégiát kellett kidolgozni, de a BeyondMimic ugyanabból a rendszerből képes kezelni többféle mozgást, és azokat új célokhoz is felhasználni. A keretrendszer képességeit valós hardveren mutatták be a kutatók, nem is akármilyenen. A kínai Unitree G1 névre keresztelt humanoid robotja két éve jelent meg, és tavaly óta már Magyarországon is kapható . A12 millió forintos kínai robot olyan képességekkel rendelkezik, amelyek tényleg egyedülállóak, többek között Travoltát megszégyenítően táncol , és Chuck Norris szintjén tolja a pörgőrúgást. A kutatók először szimulációban validálták a mozdulatokat, utána tanították meg a G1-et, aki a tesztek során többek között futott, rúgott, forgott, ugrásokkal kombinált mozdulatokat végzett, kúszott, táncolt és légi cigánykereket is bemutatott. A kutatók arra is kíváncsiak voltak, hogy a külső emberi szemek számára mennyire vált valóban természetesebbé a robot mozgása az új vezérlővel, ezért 77 résztvevőt kérdeztek meg, akik a BeyondMimic-kel irányított robot mozgását a Unitree hagyományos vezérlőjével hasonlították össze. A résztvevők 70,8 százaléka a BeyondMimic mozgását ítélte természetesebbnek és emberibbnek. A kutatók a továbbiakban más humanoid robotokon is szeretnék tesztelni a megoldást, miközben tovább finomítják a keretrendszert a még szélesebb mozgástartományokhoz, ami később akár más humanoid robotplatformokhoz is hozzáigazítható lenne. (Forrás: Techxplore , Science.org. Fotó: GettyImages)