211service.com
Niño robot aprende a ponerse de pie imaginando cómo hacerlo
Como muchos niños pequeños, Darwin a veces parece un poco inestable. Pero con cada movimiento torpe, el robot humanoide está demostrando una nueva forma importante para que los androides se enfrenten a entornos desafiantes o desconocidos. El robot aprende a realizar una nueva tarea mediante un proceso algo similar a los procesos neurológicos que sustentan el aprendizaje infantil.
Darwin intenta mover su torso bajo el control de varias redes neuronales.
Darwin vive en el laboratorio de pieter abbeel , profesor asociado de la Universidad de California, Berkeley. Cuando vi el robot hace unas semanas, estaba suspendido de un trípode de cámara con un trozo de cuerda, luciendo un poco trágico. Un poco antes, Darwin se había estado retorciendo en el extremo de la cuerda, tratando de encontrar la mejor manera de mover sus extremidades para ponerse de pie sin caerse.
Los movimientos de Darwin están controlados por varias redes neuronales simuladas, algoritmos que imitan la forma en que ocurre el aprendizaje en un cerebro biológico a medida que las conexiones entre las neuronas se fortalecen y debilitan con el tiempo en respuesta a la entrada. El enfoque utiliza redes neuronales muy complejas, conocidas como redes de aprendizaje profundo, que tienen muchas capas de neuronas simuladas.
Para que el robot aprenda cómo pararse y torcer su cuerpo, por ejemplo, primero realiza una serie de simulaciones para entrenar una red de aprendizaje profundo de alto nivel sobre cómo realizar la tarea, algo que los investigadores comparan con un proceso imaginario. Esto proporciona una guía general para el robot, mientras que una segunda red de aprendizaje profundo está entrenada para realizar la tarea mientras responde a la dinámica de las articulaciones del robot y la complejidad del entorno real. La segunda red es necesaria porque cuando la primera intenta, por ejemplo, mover una pierna, la fricción experimentada en el punto de contacto con el suelo puede desviarla por completo y provocar la caída del robot.
Darwin, el robot, realiza varias acciones después del aprendizaje virtual y del mundo real.
Los investigadores hicieron que el robot aprendiera a ponerse de pie, a mover la mano para realizar movimientos de alcance y a permanecer erguido cuando el suelo debajo de él se inclina.
Practica en simulación durante aproximadamente una hora, dice Igor Mordatch , investigador postdoctoral en UC Berkeley que llevó a cabo el estudio. Luego, en tiempo de ejecución, está aprendiendo sobre la marcha cómo no resbalar.
El grupo de Abbeel ha demostrado anteriormente cómo el aprendizaje profundo puede permitir que un robot realice una tarea, como pasar un bloque de construcción de juguete a través de un agujero con forma, a través de un proceso de prueba y error. El nuevo enfoque es importante porque no siempre es posible que un robot se entregue a un extenso período de prueba. Y las simulaciones carecen de las complejidades que se encuentran en el mundo real, condiciones que con los robots pueden desencadenar una falla catastrófica.
Estamos tratando de poder lidiar con una mayor variabilidad, dice Abbeel. Incluso una pequeña variabilidad más allá de lo que fue diseñado hace que sea realmente difícil hacerlo funcionar.
La nueva técnica podría resultar útil para cualquier robot que trabaje en todo tipo de entornos reales, pero podría resultar especialmente útil para una locomoción de piernas más elegante. El enfoque actual es diseñar un algoritmo que tenga en cuenta la dinámica de un proceso como caminar o correr (ver Los robots caminando de esta manera). Pero tales modelos pueden tener dificultades para lidiar con la variación en el mundo real, ya que muchos de los robots humanoides involucrados en el DARPA Robotics Challenge demostrado al caerse al caminar sobre la arena, o al desequilibrarse al estirarse para agarrar algo (ver Por qué los robots y los humanos lucharon con el desafío de DARPA). Fue un poco como un control de la realidad, dice Abbeel. Eso es lo que sucede en el mundo real.
zorro dieter , profesor del departamento de informática e ingeniería de la Universidad de Washington que se especializa en percepción y control de robots, dice que el aprendizaje de redes neuronales tiene un enorme potencial en robótica. Estoy muy entusiasmado con toda esta dirección de investigación, dice Fox. El problema siempre es si quieres actuar en el mundo real. Los modelos son imperfectos. Donde entra en juego el aprendizaje automático, y especialmente el aprendizaje profundo, es aprender de las interacciones del sistema en el mundo real.