روشی تازه برای آموزش حرکات انسان ها و حیوانات به ربات ها - پری بلاگ

به گزارش خبرنگاران، اگرچه بسیاری از ربات های موجود بدنی شبیه بدن انسان یا دیگر گونه های جانوری دارند، اما برنامه ریزی آن ها به گونه ای مانند موجودی که از آن الهام گرفته شده است، کار ساده ای نیست. انجام این کار مستلزم توسعه کنترل نماینده های حرکتی پیشرفته است و به منابع و کوشش های قابل توجهی احتیاج دارد.

محققان DeepMind اخیراً تکنیک نوی برای آموزش حرکات انسان و حیوانات به ربات ها ایجاد نموده اند. این ابزار نو که در مقاله ای در وب سایت arXiv معرفی شده است، از روشی که پیش از این معرفی شده بود الهام گرفته است. این روش نیز از ضبط حرکات انسان و حیوانات در دنیای واقعی استفاده می نماید. تیم DeepMind در مقاله خود نوشت: ما از حرکات انسان و حیوانات برای یادگیری مهارت های حرکتی در ربات های پای واقعی استفاده می کنیم. رویکرد ما بر اساس تقلید داده های حرکتی انسان یا سگ (MoCap)برای یادگیری یک ماژول مهارت حرکتی است. ربات پس از یادگیری این ماژول مهارت می تواند برای کار های پیچیده مجددا مورد استفاده قرار گیرد.

بخش بزرگی از کنترل نماینده های حرکت رباتی که در گذشته مورد استفاده قرار گرفته اند، دارای طرح های مدولار هستند که در آن یک سیستم به بخش های مختلف (چند ماژول) تقسیم می گردد که با یکدیگر تعامل دارند. توسعه این کنترل نماینده ها به کوشش های مهندسی قابل توجهی احتیاج دارد. بعضی از آن ها نیز به نتایج امیدوار نماینده ای دست یافته اند. طرح های مدولار معمولاً به خوبی در وظایف، موقعیت ها و محیط های مختلف تعمیم نمی یابند.

بعضی از محققان روشی به نام بهینه سازی راستا را به عنوان جایگزین این کنترل نماینده ها پیشنهاد نموده اند. در این روش یک برنامه ریز، حرکت را با یک کنترل نماینده ردیابی ترکیب می نماید. این رویکرد ها به مهندسی کمتری نسبت به کنترل نماینده های مدولار احتیاج دارند. با این حال اغلب آن ها احتیاج به انجام محاسبات گسترده دارند و هنگام استفاده ممکن است بسیار کند عمل نمایند.

استیون بوهز و همکارانش در DeepMind یک رویکرد جایگزین برای آموزش حرکات انسان ها و حیوانات به ربات ها معرفی کردند. این تکنیک با ضبط حرکات انسان و حیوانات، داده هایی را جمع آوری نموده و سپس از این داده ها برای آموزش به ربات های دنیای واقعی استفاده کردند. این تکنیک در چند مرحله انجام شد: در مرحله اول داده های حرکتی ضبط شده را به ربات ها آموزش دادند. پس از آموزش این خط مشی محققان توانستند برای تقلید از راستا های مرجع، از یک خط مشی وظیفه نو برای مقابله با اقدامات پنهان و کنترل نماینده سطح پایین دوباره استفاده نمایند. این کار به کنترل نماینده ها اجازه می دهد تا حرکات پیچیده انسان یا حیوانات را در ربات ها تکرار نمایند؛ مانند دریبل کردن توپ. انتها آن ها کنترلر هایی را که توسعه داده بودند از شبیه سازی به سخت افزار واقعی منتقل کردند.

تا کنون، تیم DeepMind رویکرد خود را هم در محیط های شبیه سازی و هم در دنیای واقعی ارزیابی نموده اند. آن ها در این آزمایش ها توانسته اند با موفقیت از این تکنیک برای آموزش کنترلر به منظور تکرار دو رفتار اصلی یعنی راه رفتن و دریبل کردن توپ استفاده نمایند. آن ها بعلاوه کیفیت حرکات به دست آمده با استفاده از این رویکرد را روی دو ربات دنیای واقعی ارزیابی کردند؛ یکی ربات چهارپای ANYmal و دیگری ربات انسان نمای OP3. نتایج بدست آمده از این دو ربات بسیار امیدوار نماینده است و نشان می دهد که این رویکرد می تواند به توسعه ربات هایی بسیار شبیه تر به انسان ها و حیوانات یاری کند. محققان قصد دارند در گام بعدی رفتار های نوی از انسان ها و حیوانات به ربات ها آموزش دهند.

منبع: techxplore