Die KI-Forschungsteams von Facebook haben in Zusammenarbeit mit Forschern von Berkeley AI Research und der Carnegie Mellon University School of Computing eine neue Technologie für künstliche Intelligenz vorgestellt, die es Robotern ermöglicht, sich in Echtzeit an die unterschiedlichen Terrains anzupassen, denen sie begegnen. Diese Technologie nennt sich Rapid Motor Adaptation (RMA) und ermöglicht es dem Knickarmroboter, sich in Sekundenbruchteilen an seine Umgebung anzupassen.
Ob auf felsigem, öligem, steilem oder weichem Untergrund, Roboter müssen sich an die Oberflächen, auf die sie treffen, die Gegenstände, die sie tragen, und die Bedingungen, unter denen sie sich befinden, anpassen können, auch wenn sie solchen Bedingungen noch nie ausgesetzt waren. Das Ziel, um zu verhindern, dass sie herunterfallen und einen Zusammenbruch riskieren, besteht darin, in der Lage zu sein, die Umgebung in wenigen Millisekunden zu absorbieren und sich an sie zu akklimatisieren.
Simulationsbasiertes Lernen
Im Gegensatz zu anderen Bots, die so kodieren, dass sie in einer bestimmten Umgebung funktionieren, rühmen sich die Forscher hinter RMA damit, dass sie „über die manuelle Codierung hinausgehen, weil es schwierig, wenn nicht unmöglich ist, einen Bot so vorzuprogrammieren, dass er sich an alle realen Bedingungen anpasst, egal ob es sich um andere handelt eine Art Matte oder eine Schlammpfütze.“ tiefer oder ein hüpfendes Trampolin.“ RMA kombiniert zwei Regeln, die alle in der Simulation gelernt werden: eine Grundregel, die mit einem Reinforcement Learning (RL)-Algorithmus trainiert wird, und eine adaptive Einheit, die durch überwachte Lerntechniken trainiert wird.
Konkret wird die grundlegende Grammatik in der Simulation unter Verwendung von Verstärkungslerntechniken und durch die Verwendung von Daten in verschiedenen Umgebungen gelernt. Es werden verschiedene Variablen (etwas rutschiger Untergrund, unterschiedliche Neigungen usw.) erstellt, damit der Roboter je nach Bedingungen die richtigen Bewegungen lernt. Dann werden diese Informationen als „externe“ Variablen codiert.
Aber es ist nicht möglich, einen Roboter nur mit diesen Regeln einzusetzen, da er wahrscheinlich nicht auf genau dieselbe Umgebung trifft (es sei denn, er ist so konzipiert, dass er sich immer an derselben Stelle bewegt). Die Forscher wollen also, dass sich der Roboter auch auf Informationen verlässt, die er aus seiner Umgebung lernt (etwa eine kürzlich erfolgte Körperbewegung). Von dort aus kann festgestellt werden, warum die implementierte Bewegung mit der theoretischen Bewegung nicht kompatibel ist, indem die adaptive Einheit des Roboters mit den erlernten Grundregeln kombiniert wird (z. B. ein Bein sinkt auf einer weichen Oberfläche stärker ein als auf einer harten Oberfläche).
Reduzieren Sie die Technologiekosten
Nach dem Training in der Simulation konnte der Roboter während der realen Tests auf Sand, Schlamm, Wanderwegen, hohem Gras und einem Erdhaufen ohne Ausfall laufen. Dem Roboter gelang es in 70 % der Versuche, Treppen entlang eines Wanderwegs hinabzusteigen und in 80 % der Versuche erfolgreich einen Zementhaufen und einen Steinhaufen zu navigieren, obwohl er während des Trainings nie auf einige dieser Umgebungen gestoßen ist. Er behielt auch seine Größe mit einer hohen Erfolgsquote, wenn er sich mit einer Last von 12 kg bewegte, die 100 % seines Körpergewichts ausmachte.
Letztlich wollen die Forscher ihr System weiter verbessern mit dem Ziel, die Effizienz zu steigern und die Kosten zu senken, damit „mit RMA ausgerüstete Roboter eines Tages in vielen Situationen arbeiten können, beispielsweise als Assistenten bei Such- und Rettungsaktionen, insbesondere in Hochrisikogebieten oder“, sagten die Forscher, „unpraktisch für den Menschen.“ Sie schlossen: „Wir freuen uns darauf zu sehen, wie die KI-Forschungsgemeinschaft auf unserer Arbeit mit RMA aufbauen wird, sowohl in der Robotik als auch darüber hinaus.“