I video brillanti e virali di Boston Dynamics sono impressionanti, ma insegnare a un robot a muoversi partendo da zero è molto più difficile.
di Will Douglas Heaven
A un paio di gambe robotiche chiamate Cassie è stato insegnato a camminare usando l’apprendimento per rinforzo, la tecnica di allenamento per acquisire un comportamento complesso dell’AI attraverso tentativi ed errori. È la prima volta che l’apprendimento per rinforzo viene utilizzato per insegnare a un robot a due gambe come camminare da zero, inclusa la capacità di muoversi accovacciato o mentre trasporta un carico inaspettato. (Si veda video)
Le aspettative per ciò che i robot possono fare sono elevate grazie ai video virali pubblicati da Boston Dynamics, che mostrano il suo robot umanoide Atlas in piedi su una gamba, che salta sopra le scatole e balla. Questi video hanno raccolto milioni di visualizzazioni e sono stati persino parodiati. Il controllo che Atlas ha sui suoi movimenti è impressionante, ma le sequenze coreografate probabilmente implicano molte regolazioni manuali (Boston Dynamics non ha pubblicato dettagli, quindi è difficile dire quanto).
“Questi video possono portare alcune persone a credere che il problema del movimento robotico sia risolto con facilità”, dice Zhongyu Li dell’Università della California, a Berkeley, che ha lavorato su Cassie con i suoi colleghi. “Ma abbiamo ancora molta strada da fare per far funzionare in modo affidabile i robot umanoidi in ambienti umani”. Cassie non sa ancora ballare, ma insegnare al robot a grandezza umana a camminare da solo gli rende più facile spostarsi su un’ampia gamma di terreni e riprendersi quando inciampa o si danneggia.
L’apprendimento per rinforzo è stato utilizzato in passato per addestrare i robot a camminare all’interno di simulazioni, ma trasferire questa capacità nel mondo reale è difficile. “Molti dei video che si vedono di agenti virtuali non sono per niente realistici”, dice Chelsea Finn, una ricercatrice di robotica e intelligenza artificiale della Stanford University, che non è stata coinvolta nel lavoro.
Piccole differenze tra le leggi fisiche simulate all’interno di un ambiente virtuale e le leggi fisiche reali al di fuori di esso, come il modo in cui funziona l’attrito tra i piedi di un robot e il suolo, possono portare a grossi fallimenti quando un robot cerca di applicare ciò che ha appreso. Un robot pesante a due gambe può perdere l’equilibrio e cadere se i suoi movimenti sono anche un po ‘irregolari.
Il problema è che addestrare un robot di grandi dimensioni attraverso tentativi ed errori nel mondo reale sarebbe pericoloso. Per trovare una soluzione, il team di Berkeley ha utilizzato due livelli di ambiente virtuale. Nel primo, una versione simulata di Cassie ha imparato a camminare attingendo a un ampio database esistente di movimenti del robot.
Questa simulazione è stata quindi trasferita a un secondo ambiente virtuale chiamato SimMechanics che rispecchia la fisica del mondo reale con un alto grado di precisione, ma con un costo in termini di velocità di esecuzione. Solo una volta che Cassie sembrava camminare bene, il modello ambulante è stato caricato nel robot vero e proprio.
Il vero Cassie è stato in grado di camminare utilizzando il modello appreso nella simulazione senza alcuna ulteriore messa a punto. Potrebbe camminare su terreni accidentati e scivolosi, trasportare carichi imprevisti e riprendersi dopo essere stato spinto. Durante i test, Cassie ha anche danneggiato due motori nella gamba destra, ma è stato in grado di regolare i suoi movimenti per compensare. Finn pensa che il lavoro svolto sia entusiasmante. Edward Johns, che guida il Robot Learning Lab dell’Imperial College di Londra, è d’accordo. “Questo è uno degli esempi di maggior successo che ho visto”, egli commenta.
Il team di Berkeley spera di migliorare il repertorio di movimenti di Cassie, ma non al punto da farlo ballare presto.
Immagine: Hybrid Robotics
