Przejście z jednego smartfona na drugi to przeważnie gładki proces. Logujesz się na swoje konta, a aplikacje, preferencje i kontakty synchronizują się z nowym sprzętem. Ale w świecie robotyki wymiana starego ramienia robotycznego na nowszy model oznaczała dotąd ustawianie wszystkiego od zera – aż do teraz.
Aby to naprawić, zespół badaczy ze szwajcarskiej École Polytechnique Fédérale de Lausanne (EPFL) opracował coś, co nazywają Inteligencją Kinematyczną – framework, który sprawia, że zmiana robotów działa bardziej jak zmiana smartfonów. Opisują swój system w niedawnym artykule w Science Robotics.
Od lat robotycy pracują nad tym, aby roboty uczyły się przez demonstrację – ucząc je nowych umiejętności poprzez pokazywanie, co mają robić, zamiast pisania linijek kodu. Chodzi o zdalne sterowanie lub fizyczne prowadzenie ramienia robota, aby nauczyć go zadania, takiego jak wycieranie stołu, układanie pudełek czy spawanie elementu samochodu. Problem polega na tym, że większość tych wyuczonych umiejętności jest powiązana z konkretnym robotem, na którym przeprowadzono trening.
Ale robotyka rozwija się szybko. „Roboty mają różne konstrukcje, a obecnie pojawiają się nowe projekty – to niesie ze sobą własne wyzwania” – powiedział Sthithpragya Gupta, robotyk z EPFL i główny autor badania. Jeśli nowy robot ma nieco dłuższe ogniwa, inną orientację stawów lub bardziej złożoną konfigurację, wyuczone zachowanie natychmiast przestaje działać, a nowy robot prawdopodobnie zacznie szarpać, zamarzać lub ulegnie awarii, próbując je wykonać.
„Wraz z nowymi projektami pojawiają się różne możliwości i ograniczenia” – powiedział Durgesh Haribhau Salunkhe, robotyk z EPFL i współautor badania. „Problem polega na dostosowaniu się do tych ograniczeń i możliwości – aby wiernie odtworzyć działania zademonstrowane przez człowieka”. Obecnie przeskok z jednego ciała robota na drugie zwykle oznacza zaczynanie od zera i ponowne trenowanie całego systemu.
Gdy robot porusza się w przestrzeni, aby wykonać zadanie, musi stale obliczać, jak zginać swoje stawy, aby utrzymać efektor końcowy (robotyczny odpowiednik dłoni) na właściwej ścieżce. Robot musi unikać osiągnięcia fizycznego limitu, a co gorsza, osobliwości, która w robotyce jest matematyczną strefą zagrożenia: konfiguracją fizyczną, w której stawy robota ustawiają się w taki sposób, że chwilowo traci on stopień swobody. „W takich pozycjach ruch robota może stać się niestabilny lub [można] stracić kontrolę nad robotem” – powiedział Gupta.
W ludzkim ujęciu działa to mniej więcej jak zablokowanie łokci, gdy są w pełni wyprostowane podczas pchania czegoś ciężkiego, co na chwilę uniemożliwia ramionom wykonywanie ruchów na boki.
Przenoszenie umiejętności z jednego robota na drugiego jest trudne, ponieważ różnie zbudowane roboty mają zwykle inną topologię osobliwości. Gdy algorytm robota ślepo podąża ścieżką i napotyka osobliwość, matematyka sterująca jego stawami zawodzi. Robot może na przykład spróbować obrócić staw z nieskończoną prędkością, co skutkuje nagłym, niebezpiecznym ruchem. Zespół Gupty rozwiązał ten problem, dając robotom głęboką, wrodzoną matematyczną świadomość własnych fizycznych ograniczeń. Ta Inteligencja Kinematyczna, jak ją nazywają, pozwala użytkownikowi zademonstrować umiejętność tylko raz, a następnie wykonać ją bezpiecznie przez zupełnie inny typ robota.
I (co zaskakujące w dzisiejszych czasach) Inteligencja Kinematyczna została zbudowana w sposób wolny od AI.
Tradycyjnie inżynierowie radzili sobie z osobliwościami poprzez poprawki oprogramowania. Budowali modele odwrotne, złożone formuły matematyczne, które działają wstecz od docelowej pozycji efektora końcowego robota, aby odwzorować wszystkie pozycje stawów potrzebne do jej osiągnięcia. Następnie po prostu nakładali filtry bezpieczeństwa lub poprawki, aby zapobiec wpadnięciu robota w kłopoty.
Nieco nowsze, oparte na danych podejścia AI wymagają mniej wysiłku i wiedzy specjalistycznej, ale wymagają dostępu do każdego robota, na którym będzie używane oprogramowanie sterujące podczas fazy treningu. „Ponadto istnieje probabilistyczna lub czarna skrzynka natury AI, w której może ona zrobić coś