فرارو-در سالهای اخیر دانشمندان رباتهای بسیاری را طراحی کرده اند که میتوانند به روشهای کارآمد در محیطهای مختلف عمل کنند. ساختار بدن بسیاری از این رباتها از حیوانات و انسان الهام گرفته شده است.
به گزارش فرارو، اگرچه بسیاری از رباتهای موجود بدنی شبیه بدن انسان یا دیگر گونههای جانوری دارند، اما برنامهریزی آنها به گونهای مانند موجودی که از آن الهام گرفته شده است، کار سادهای نیست. انجام این کار مستلزم توسعه کنترلکنندههای حرکتی پیشرفته است و به منابع و تلاشهای قابل توجهی نیاز دارد.
محققان DeepMind اخیراً تکنیک جدیدی برای آموزش حرکات انسان و حیوانات به رباتها ایجاد کرده اند. این ابزار جدید که در مقالهای 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 میکند. تیم DeepMind در مقاله خود نوشت: «ما از حرکات انسان و حیوانات برای یادگیری مهارتهای حرکتی در رباتهای پای واقعی استفاده میکنیم. رویکرد ما بر اساس تقلید دادههای حرکتی انسان یا سگ (MoCap)برای یادگیری یک ماژول مهارت حرکتی است. ربات پس از یادگیری این ماژول مهارت میتواند برای کارهای پیچیده مجددا مورد استفاده قرار گیرد.»
بخش بزرگی از کنترلکنندههای حرکت رباتی که در گذشته مورد استفاده قرار گرفته اند، دارای طرحهای مدولار هستند که در آن یک سیستم به بخشهای مختلف (چند ماژول) تقسیم میشود که با یکدیگر تعامل دارند. توسعه این کنترل کنندهها به تلاشهای مهندسی قابل توجهی نیاز دارد. برخی از آنها نیز به نتایج امیدوار کنندهای دست یافته اند. طرحهای مدولار معمولاً به خوبی در وظایف، موقعیتها و محیطهای مختلف تعمیم نمییابند.
برخی از محققان روشی به نام «بهینهسازی مسیر» را به عنوان جایگزین این کنترل کنندهها پیشنهاد کرده اند. در این روش یک برنامه ریز، حرکت را با یک کنترلکننده ردیابی ترکیب میکند. این رویکردها به مهندسی کمتری نسبت به کنترلکنندههای مدولار نیاز دارند. با این حال اغلب آنها نیاز به انجام محاسبات گسترده دارند و هنگام استفاده ممکن است بسیار کند عمل کنند.
استیون بوهز و همکارانش در DeepMind یک رویکرد جایگزین برای آموزش حرکات انسانها و حیوانات به رباتها معرفی کردند. این تکنیک با ضبط حرکات انسان و حیوانات، دادههایی را جمع آوری کرده و سپس از این دادهها برای آموزش به رباتهای دنیای واقعی استفاده کردند. این تکنیک در چند مرحله انجام شد: در مرحله اول دادههای حرکتی ضبط شده را به رباتها آموزش دادند. پس از آموزش این خط مشی محققان توانستند برای تقلید از مسیرهای مرجع، از یک خط مشی وظیفه جدید برای مقابله با اقدامات پنهان و کنترل کننده سطح پایین دوباره استفاده کنند. این کار به کنترل کنندهها اجازه میدهد تا حرکات پیچیده انسان یا حیوانات را در رباتها تکرار کنند؛ مانند دریبل کردن توپ. سرانجام آنها کنترلرهایی را که توسعه داده بودند از شبیه سازی به سخت افزار واقعی منتقل کردند.
تا کنون، تیم DeepMind رویکرد خود را هم در محیطهای شبیهسازی و هم در دنیای واقعی ارزیابی کرده اند. آنها در این آزمایشها توانسته اند با موفقیت از این تکنیک برای آموزش کنترلر به منظور تکرار دو رفتار اصلی یعنی راه رفتن و دریبل کردن توپ استفاده کنند. آنها همچنین 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 کننده است و نشان میدهد که این رویکرد میتواند به توسعه رباتهایی بسیار شبیهتر به انسانها و حیوانات کمک کند. محققان قصد دارند در گام بعدی رفتارهای جدیدی از انسانها و حیوانات به رباتها آموزش دهند.
منبع: techxplore