O robô AI inspirado em animais aprende a navegar no terreno desconhecido

Os pesquisadores desenvolveram um sistema de inteligência artificial (AI) que permite que um robô de quatro patas adapte sua marcha a terrenos diferentes e desconhecidos, assim como um animal de verdade, no que se acredita ser um mundo primeiro. O trabalho foi publicado em Inteligência da máquina da natureza.

A tecnologia pioneira permite que o robô mude a maneira como se move autonomamente, em vez de ter que ser informado quando e como alterar seu passo como a geração atual de robôs. Esse avanço é visto como um grande passo para potencialmente usar robôs pernas em ambientes perigosos, onde os seres humanos podem ser colocados em risco, como descomissionamento nuclear ou busca e resgate, onde a incapacidade de se adaptar ao desconhecido poderia custar vidas.

Para o estudo, conduzido pela Universidade de Leeds e University College London (UCL), os pesquisadores se inspiraram no reino animal para ensinar o robô a navegar no terreno que nunca havia visto antes. Isso incluiu animais de quatro patas, como cães, gatos e cavalos, que são hábeis em se ajustar a diferentes paisagens. Esses animais mudam a maneira como se movem para economizar energia, manter o equilíbrio ou responder rapidamente a ameaças.

Os pesquisadores criaram uma estrutura que pode ensinar robôs a fazer a transição entre trote, corrida, limite e muito mais, assim como os mamíferos fazem na natureza.

Trocar de marcha quando necessário

Ao incorporar no sistema de IA que as mesmas estratégias usam para navegar em um mundo imprevisível, o robô aprende rapidamente a trocar as marcas em tempo real, em resposta ao terreno. Graças ao poder de processamento de dados da IA, o robô-nomeado “Clarence”-aprendeu as estratégias necessárias em apenas nove horas, consideravelmente mais rápidas do que os dias ou semanas que a maioria dos animais jovens faz para atravessar com confiança diferentes superfícies.

No Inteligência da máquina da natureza Artigo, primeiro autor Joseph Humphreys, pesquisador de pós -graduação da Escola de Engenharia Mecânica da Leeds, explica como a estrutura permite que o robô mude seu passo de acordo com seu ambiente, superando uma variedade de terrenos, incluindo madeira irregular, lascas de madeira e vegetação excessiva, sem alterações ao próprio sistema.

Ele disse: “Nossas descobertas podem ter um impacto significativo no futuro do controle de movimento do robô pernas, reduzindo muitas das limitações anteriores em torno da adaptabilidade”.

Ele acrescentou: “Essa estrutura de aprendizado de reforço profundo ensina estratégias de marcha e comportamento inspirados em animais reais-ou ‘inspirado’-como economia de energia, ajustando os movimentos conforme necessário e a memória da marcha, para alcançar um movimento altamente adaptável e ideal, mesmo em ambientes nunca encontrados anteriormente.

“Todo o treinamento acontece na simulação. Você treina a política em um computador, depois o pega e o coloca no robô e é tão proficiente quanto no treinamento. É semelhante ao Matrix, quando a habilidade de Neo em artes marciais é baixada em seu cérebro, mas ele não sofre nenhum treinamento físico no mundo real.

“Em seguida, testamos o robô no mundo real, nas superfícies que ele nunca havia experimentado antes, e ele navegou com sucesso em todos eles. Foi realmente gratificante vê-lo se adaptar a todos os desafios que definimos e vendo como o comportamento dos animais que estudamos havia se tornado quase uma segunda natureza para isso”.

Os agentes de aprendizado de reforço profundo geralmente são bons em aprender uma tarefa específica, mas lutam para se adaptar quando o ambiente mudar. Os cérebros de animais têm estruturas e informações embutidas que apóiam a aprendizagem. Alguns agentes podem imitar esse tipo de aprendizado, mas seus sistemas artificiais geralmente não são tão avançados ou complexos. Os pesquisadores dizem que superaram esse desafio, incutindo seu sistema com estratégias naturais de movimento animal.

Eles dizem que o deles é a primeira estrutura para integrar simultaneamente todos os três componentes críticos da locomoção animal em um sistema de aprendizado de reforço-ou seja: estratégias de transição da marcha, memória processual da marcha e ajuste de movimento adaptativo-abordando o ajuste verdadeiramente versátil e o mundo real diretamente da simulação, sem a necessidade de ajustar o robô físico do robô físico

Em termos simples, o robô não apenas aprende a se mover – aprende como decidir qual marcha usar, quando alternar e como ajustá -lo em tempo real, mesmo em terreno que nunca encontrou antes.

O professor Zhou, autor sênior do estudo da UCL Computer Science, disse: “Esta pesquisa foi impulsionada por uma pergunta fundamental: e se os robôs pernas pudessem mover instintivamente a maneira como os animais fazem? Em vez de treinar robôs para tarefas específicas, queríamos dar a eles a inteligência estratégica que os animais usam para adaptar suas marcas – utilizando princípios como equilíbrio, coordenação e eficiência energética.

“Ao incorporar esses princípios em um sistema de IA, permitimos que os robôs escolhessem como se mover com base em condições em tempo real, não nas regras pré-programadas. Isso significa que eles podem navegar em ambientes desconhecidos com segurança e eficácia, mesmo aqueles que não encontraram antes.

“Nossa visão de longo prazo é desenvolver sistemas de IA incorporados-incluindo robôs humanóides-que se movem, adaptam e interagem com a mesma fluidez e resiliência que os animais e os seres humanos”.

Aplicações do mundo real

Os engenheiros estão cada vez mais imitando a natureza – conhecida como biomimética – para resolver desafios complexos de mobilidade. A equipe diz que sua conquista marca um grande passo à frente para tornar os robôs pernas mais adaptáveis ​​e capazes de lidar com desafios do mundo real, em ambientes perigosos ou onde o acesso é difícil.

Um robô capaz de navegar em terrenos não familiarizados e complexos abre novas possibilidades para que sejam usadas na resposta a desastres, exploração planetária, agricultura e inspeção de infraestrutura.

Também sugere um caminho promissor para integrar a inteligência biológica em sistemas robóticos e conduzir investigações mais éticas de hipóteses de biomecânica; Em vez de sobrecarregar os animais com sensores invasivos ou colocá -los em perigo para estudar sua resposta de recuperação de estabilidade, os robôs podem ser usados.

Ao inspirar-se em fatores que tornam o movimento dos animais eficazes, os pesquisadores foram capazes de desenvolver uma estrutura capaz de atravessar terrenos complexos e de alto risco, apesar do robô não usar sensores exterminados-aqueles que são vistas, cheiros e audições, que ajudam os seres humanos em seus movimentos.

Prática paralela em vários terrenos

Usando aprendizado de reforço profundo-tentativa e erro e efetivamente superpoderados-o robô praticou simultaneamente em centenas de ambientes, resolvendo primeiro o desafio de se mover com diferentes marcha e depois escolher a melhor marcha para o terreno, gerando as ferramentas para alcançar um movimento altamente adaptável.

Para testar essa adaptabilidade adquirida no mundo real, o robô foi solto em superfícies da vida real, incluindo lascas de madeira, rochas, raízes cobertas de vegetação e madeira solta, além de ter suas pernas repetidamente criticadas por uma escova abrangente, testando sua capacidade de se recuperar de viagens. A equipe usou uma rota programada ou um joystick – como aqueles usados ​​em videogames – para direcionar o robô.

Talvez surpreendentemente, o robô não foi exposto a nenhum terreno acidentado durante o treinamento, destacando a capacidade do sistema de se adaptar e demonstrando que essas habilidades se tornaram instintivas para o robô.

O estudo se concentrou em permitir o movimento cotidiano robusto. Em trabalhos futuros, a equipe espera adicionar habilidades mais dinâmicas, como salto de longa distância, escalada e navegação em terrenos íngremes ou verticais.

Embora a estrutura até agora tenha sido testada apenas em um único robô quadrúpede do tamanho de um cão, os princípios subjacentes são amplamente aplicáveis. As mesmas métricas bio-inspiradas podem ser usadas em uma ampla variedade de robôs de quatro patas, independentemente do tamanho ou peso, desde que compartilhem uma morfologia semelhante.