Η εικόνα ρομπότ που κινούνται με άνεση σε κάθε είδους έδαφος μοιάζει γνώριμη μέσα από την επιστημονική φαντασία, αλλά η πραγματικότητα απέχει αρκετά από αυτή την εικόνα. Η ρομποτική παραμένει ένα πεδίο γεμάτο προκλήσεις, καθώς οι μηχανικοί και οι ερευνητές αναζητούν εδώ και χρόνια τρόπους για να διδάξουν στις μηχανές την ασφαλή και αξιόπιστη κίνηση. Ωστόσο, μια ερευνητική ομάδα από το ETH Zurich φαίνεται να έφερε την έρευνα ένα σημαντικό βήμα πιο κοντά σε αυτό το όραμα, ξεπερνώντας εμπόδια που μέχρι πρόσφατα θεωρούνταν ανυπέρβλητα.
Ένα νέο είδος μάθησης για ρομπότ
Η μελέτη των επιστημόνων δείχνει πώς μπορούν να εκπαιδευτούν τόσο ανθρωποειδή όσο και τετράποδα ρομπότ ώστε να κινούνται σε άγνωστα εδάφη, εντοπίζοντας κάθε φορά τα ασφαλέστερα σημεία στήριξης. Το καινοτόμο στοιχείο δεν βρίσκεται μόνο στο ίδιο το περπάτημα, αλλά στο σύστημα που το καθοδηγεί: έναν αλγόριθμο βασισμένο σε τεχνική τεχνητής νοημοσύνης που ονομάζεται "attention mapping" και εκπαιδεύεται μέσω ενισχυτικής μάθησης.
Σε αντίθεση με τα παραδοσιακά μοντέλα που αναλύουν ολόκληρο τον χάρτη του εδάφους, η νέα μέθοδος μαθαίνει να εστιάζει μόνο στις κρίσιμες περιοχές που καθορίζουν το επόμενο βήμα. Αυτή η επιλεκτική προσέγγιση προσφέρει μεγαλύτερη αποδοτικότητα και, κυρίως, καθιστά το σύστημα πιο ανθεκτικό και ευπροσάρμοστο, ακόμα και σε συνθήκες που δεν είχαν προβλεφθεί κατά τη φάση εκπαίδευσης.
Δοκιμές με γνωστά ρομπότ
Για να επαληθευτούν τα αποτελέσματα, η ερευνητική ομάδα χρησιμοποίησε δύο γνωστά ρομπότ του κλάδου: το τετράποδο ANYmal-D και το ανθρωποειδές Fourier GR-1. Οι δοκιμές πραγματοποιήθηκαν τόσο σε εσωτερικούς χώρους όσο και σε εξωτερικά περιβάλλοντα και απέδειξαν την ικανότητα των ρομπότ να γενικεύουν τη γνώση τους.
Χαρακτηριστικό παράδειγμα είναι το GR-1, το οποίο επέδειξε εντυπωσιακή ευκινησία πάνω σε μια ασταθή δοκό. Το ρομπότ κατάφερε να αυξήσει την ταχύτητά του από 0,7 m/s σε 1,5 m/s χωρίς να χάσει την ισορροπία του, ενώ παράλληλα προσαρμοζόταν έξυπνα επιμηκύνοντας τα βήματά του. Ένα από τα πιο συναρπαστικά στοιχεία της μεθόδου είναι ότι κάνει ορατή τη διαδικασία λήψης αποφάσεων του ρομπότ, αποκαλύπτοντας τον τρόπο με τον οποίο το νευρωνικό δίκτυο αντιλαμβάνεται το περιβάλλον και επιλέγει την πορεία του.
Αποτελεσματικότητα με ελάχιστη ενέργεια
Ένα ακόμη πλεονέκτημα της νέας τεχνολογίας είναι η χαμηλή ενεργειακή κατανάλωση. Ο αλγόριθμος μπορεί να λειτουργήσει σε πραγματικό χρόνο χρησιμοποιώντας έναν επεξεργαστή μόλις 25 watt — ισχύ ελάχιστη σε σύγκριση με αυτήν που απαιτούν οι κινητήρες των ίδιων των ρομπότ. Αυτό το χαρακτηριστικό καθιστά το σύστημα όχι μόνο πρακτικό αλλά και εύκολα ενσωματώσιμο σε διαφορετικές μηχανές, αρκεί να διαθέτουν έναν σύγχρονο επεξεργαστή.
Οι ερευνητές τόνισαν επίσης ότι οι ελεγκτές που έχουν αναπτύξει εξασφαλίζουν σταθερότητα στην κίνηση ακόμη και σε ταχύτητες έως 2 m/s, ένα ιδιαίτερα υψηλό όριο για ρομποτικά συστήματα αυτού του τύπου.
Περιορισμοί και μελλοντικές προοπτικές
Παρά τα εντυπωσιακά αποτελέσματα, η τεχνολογία παρουσιάζει προς το παρόν έναν περιορισμό: βασίζεται σε ανάλυση χαρτών 2,5D, γεγονός που σημαίνει ότι δεν λαμβάνει υπόψη εμπόδια με πλήρη τρισδιάστατη μορφή, όπως κλαδιά που προεξέχουν. Ωστόσο, οι δημιουργοί της εκφράζουν αισιοδοξία ότι η μέθοδος μπορεί να επεκταθεί σε πιο σύνθετες λειτουργίες, όπως το άνοιγμα θυρών, η μετακίνηση αντικειμένων ή ακόμη και η αναρρίχηση σε ανώμαλες επιφάνειες.
Ένα βήμα πιο κοντά σε «ανθρώπινα» ρομπότ
Το έργο του ETH Zurich δείχνει πώς η τεχνητή νοημοσύνη μπορεί να προσφέρει νέες δυνατότητες στη ρομποτική, γεφυρώνοντας το χάσμα ανάμεσα στη θεωρία και στην πράξη. Αν και η επιστημονική φαντασία έχει χρόνια τώρα καλλιεργήσει την εικόνα των ρομπότ που κινούνται σαν άνθρωποι, οι τελευταίες εξελίξεις αποδεικνύουν ότι η τεχνολογία αρχίζει πλέον να πλησιάζει αυτό το ιδανικό.
Το αν τα ρομπότ θα περπατούν με την ίδια άνεση που βλέπουμε στις ταινίες είναι ακόμη άγνωστο. Όμως, η πρόοδος που καταγράφεται σήμερα δείχνει ότι βρισκόμαστε πιο κοντά από ποτέ στη δημιουργία μηχανών ικανών να κινούνται με τρόπο που θυμίζει τον άνθρωπο, σταθερά, προσαρμοστικά και με εξαιρετική ακρίβεια.
[via]
