Robot nauczy się samodzielnie chodzić w zaledwie 2 godziny

W niedawnym badaniu przeprowadzonym w Google inżynierowie próbowali wykorzystać model sztucznej inteligencji (AI) jako podstawę do stworzenia czteronożnego robota, który może nauczyć się poruszać w niezwykle naturalny sposób, bez konieczności nadmiernej pomocy ze strony człowieka, np. podczas poruszania się do przodu, do tyłu, skręcając w lewo i prawo. Oprócz tego może nauczyć się także dokładnego poruszania się po trzech różnych rodzajach terenu, m.in. po płaskim terenie, miękkich poduszkach i wycieraczkach ze szczelinami.

Może to wydawać się proste, ale w rzeczywistości bardzo trudno jest zaprojektować kontrolery robotów, które byłyby w stanie obsłużyć tak różnorodne i złożone polecenia nawigacyjne, szczególnie w różnych typach terenu, bez pomocy sztucznej inteligencji. Kluczową kwestią jest to, że roboty mogą się samouczyć i dostosowywać do wielu sytuacji, zamiast zawsze potrzebować interwencji człowieka na każdym kroku.

Technologia AI zastosowana w tym projekcie nazywa się „uczeniem głębokiego wzmacniania”, podejściem opartym na technologii uczenia głębokiego inspirowanej psychologią uczenia się oraz „uczenia się przez próbę” i „uczenia się przez błąd”. Siłę głębokiego uczenia się przez wzmacnianie po raz pierwszy zademonstrowano w 2013 roku, kiedy firma DeepMind wypuściła model sztucznej inteligencji, który może nauczyć się grać w klasyczne gry Atari bez żadnych instrukcji.

Gry wideo, a przynajmniej gry symulacyjne, są również często wykorzystywane przez badaczy robotyki do szkolenia swoich modeli sztucznej inteligencji. Tworzy doskonałe środowisko teoretyczne, umożliwiające badaczom szkolenie robotów w świecie wirtualnym przed wyjściem do świata rzeczywistego, pomagając robotowi rozpoznawać i zapamiętywać sytuacje, których doświadcza, ucząc się, jak wykonać określone zadanie.

Ponadto badacze Google promują także rozwój ulepszonych algorytmów, które pozwalają ich robotom uczyć się szybciej przy mniejszej liczbie prób.

Fakt, że robot może nauczyć się chodzić samodzielnie w ciągu 2 godzin, może nie jest szokującym wynikiem, ale pokazuje wyraźną różnicę w wydajności w porównaniu z inżynierami, którzy muszą specjalnie programować każdą operację. Sposób działania robotów jest ręczny i niezwykle pasywny, podobnie jak zanim. Jednak trudności, na jakie natrafił zespół Google, również były ogromne.

„Chociaż w symulacjach zademonstrowano wiele algorytmów uczenia się bez nadzoru lub uczenia się przez głębokie wzmacnianie, zastosowanie ich do robotów w eksperymentach w świecie rzeczywistym nie jest proste. Po pierwsze, głębokie uczenie się przez wzmacnianie wymaga dużej ilości wejściowych danych szkoleniowych, a gromadzenie danych robotów jest również bardzo kosztowne. Po drugie, proces szkolenia wymaga poświęcenia dużej ilości czasu na monitorowanie robota. Gdybyśmy potrzebowali człowieka do monitorowania robota i ręcznego resetowania go za każdym razem, gdy się potknął – setki lub tysiące razy – wyszkolenie robota zajęłoby dużo wysiłku i czasu. Im dłużej to zajmie, tym trudniej będzie skalować proces uczenia się robotów w wielu różnych środowiskach” – powiedziała Jie Tan, jeden z kluczowych inżynierów projektu.

W przyszłości badania te mogą pomóc w stworzeniu bardziej zwinnych robotów, które będą mogły szybciej dostosowywać się do różnych typów terenu. Potencjał aplikacyjny jest ogromny, jednak projekt jest dopiero w początkowej fazie rozwoju i będzie jeszcze wiele wyzwań do pokonania.