Почти как настоящая. В Китае научили робота-собаку подниматься по лестнице и прыгать по бревнам

Четвероногий робот научился менять способ бега при преодолении лесистой местности, лестниц и полос препятствий — плавно переключаясь между ровной рысью и более быстрым прыжковым шагом без команд оператора-человека, пишет Live Science.

Робот весом 45 килограммов под названием KAIST HOUND использует камеры и лидар для сканирования местности впереди, после чего выбирает подходящий стиль передвижения и корректирует свои движения в режиме реального времени. В ходе испытаний на открытом воздухе он преодолел маршрут по университетскому кампусу протяженностью 1,1 километра и лесную тропу длиной 0,3 км, усеянную корнями, бревнами и скользкой листвой.

Животные естественным образом меняют походку в зависимости от скорости и условий окружающей среды. Например, собака может осторожно бежать рысью по неровной местности, прежде чем перепрыгнуть через упавшую ветку. Воспроизвести такую адаптивность у роботов сложно, поскольку различные движения часто управляются отдельными, узкоспециализированными системами кодирования, а переходы между ними могут вызывать задержку, из-за которой робот спотыкается.

Для решения этой проблемы исследователи разработали специальную платформу обучения под названием «обучение с подкреплением на основе трансформера, предварительно обученного действиям» (APT-RL). Это система обучения на базе искусственного интеллекта (ИИ), которая сначала изучает множество примеров действий, использует трансформер для понимания закономерностей в этих действиях, а затем совершенствует свою работу с помощью системы вознаграждений и штрафов.

Обучение началось с простой двумерной компьютерной модели робота. Используя оптимизацию траектории — метод, позволяющий рассчитать физически осуществимые для робота движения, — команда создала 180 000 коротких последовательностей бега рысцой и прыжков, включая усилия в суставах, которые должны были развивать ноги робота. Этот набор данных охватывал около 15,5 часов движения, однако на его создание потребовалось всего около восьми минут.

В ходе обучения с подкреплением — метода машинного обучения, при котором искусственный интеллект учится принимать оптимальные решения, взаимодействуя с определенной средой методом проб и ошибок, — система искусственного интеллекта научилась выбирать и менять эти навыки, преодолевая смоделированные лестницы, ступени, препятствия, провалы и неровности рельефа. В конечном итоге исследователи настроили систему так, чтобы включить в симуляцию камеру глубины и лидарный сканер робота.

В ходе одного из испытаний в помещении HOUND перепрыгнул через препятствие высотой 60 сантиметров, кратковременно развив скорость до 15 км/ч. Он также спрыгнул вниз по лестнице из трех ступеней. Робот обычно выбирал бег рысью при движении с низкой скоростью по неровной поверхности, тогда как прыжки становились более частыми на высоких скоростях или при преодолении крупных ступеней, препятствий и провалов. Система искусственного интеллекта, способная выбирать любой из способов передвижения, демонстрировала большую устойчивость в различных симулируемых средах по сравнению с версией, ограниченной только бегом рысью или прыжками.

Исследователи полагают, что эта технология со временем может помочь роботам перемещаться в зонах бедствия или других местах, недоступных для колесных транспортных средств. Однако текущая конструкция предусматривает лишь два варианта походки и обеспечивает преимущественно движение вперед.

Ранее NV Техно писал, что китайская компания Robbyant представила две новые ИИ-модели — LingBot-Depth 2.0 и LingBot-Vision. Они помогают роботам точнее определять расстояние до предметов и распознавать объекты в сложных условиях.

LingBot-Depth 2.0 была создана для улучшения пространственного восприятия роботов. Модель обучали на 150 млн образцов. Она показала лучшие результаты в 12 из 16 тестов на восстановление данных о глубине сцены. Точность особенно заметно возросла в помещениях, где камеры роботов теряют часть информации о расстоянии до предметов.