Практично як справжній. У Китаї навчили робота-собаку підніматися по сходах і стрибати через колоди.

Науковці застосували методи навчання з підкріпленням для того, щоб навчити чотириногого робота пристосовуватися до різноманітних середовищ, використовуючи два різні заздалегідь навчальні рухи.

Чотириногий робот отримав можливість адаптувати свій стиль бігу під час проходження через ліси, сходи та різноманітні перешкоди, плавно переходячи з рівного кроку на більш швидкий стрибкоподібний, без необхідності вказівок від людини, повідомляє Live Science.

Робот, вагою 45 кілограмів іменований KAIST HOUND, оснащений камерами та лідарами, які дозволяють йому сканувати територію попереду. Він адаптує свій стиль пересування та коригує рухи в реальному часі. Під час польових випробувань цей робот успішно пройшов маршрут університетського кампусу довжиною 1,1 км, а також лісову стежку завдовжки 0,3 км, що була ускладнена корінням дерев, колодами та слизьким листям.

Тварини природним чином коригують свою ходу, враховуючи швидкість та навколишнє середовище. Наприклад, собака може обережно пересуватися риссю по нерівній місцевості, перш ніж стрибнути через повалену гілку. Відтворити цю здатність до адаптації в робототехніці є складним завданням, оскільки різні типи рухів зазвичай контролюються окремими, вузькоспеціалізованими системами. Переходи між цими системами можуть викликати затримки, що призводить до спотикання робота.

Щоб вирішити цю проблему, науковці створили унікальну навчальну платформу під назвою "навчання з трансформатором на основі підкріплення", або APT-RL. Це система штучного інтелекту, яка спочатку аналізує численні приклади дій, застосовує трансформатор для виявлення закономірностей у цих діях, а потім оптимізує свою продуктивність через систему винагород і покарань.

Процес навчання почався з базової двовимірної комп'ютерної моделі робота. Застосовуючи метод оптимізації траєкторії, який обчислює рухи, що є фізично можливими для виконання, команда змогла згенерувати 180 000 коротких послідовностей, що поєднують біги та стрибки, враховуючи навантаження на суглоби, які повинні витримувати ноги робота. У результаті було створено набір даних, що відображав близько 15,5 годин рухової активності, хоча на його формування пішло всього близько восьми хвилин.

Під час навчання за допомогою методу підкріплення, який є одним із підходів у машинному навчанні, штучний інтелект здобуває навички прийняття оптимальних рішень через взаємодію з навколишнім середовищем, базуючись на принципах проб і помилок. В результаті цього процесу система навчилася адаптувати свої дії, долаючи модульовані сходи, перешкоди, прогалини та складний рельєф. Згодом дослідники адаптували цю систему, додавши до симуляції глибинну камеру та лідарний сканер, що значно покращило її можливості.

У одному із тестів у приміщенні HOUND успішно перестрибнув бар'єр висотою 60 сантиметрів, ненадовго розвиваючи швидкість до 15 км/год. Крім того, він здійснив стрибок вниз по триступеневих сходах. Зазвичай робот обирав рись на низьких швидкостях на нерівних поверхнях, тоді як стрибки ставали частішими на великих швидкостях або коли він зустрічав значні сходи, перешкоди чи прогалини. Система штучного інтелекту, здатна вибирати будь-який з аллюрів, демонструвала більшу стабільність у різних симульованих середовищах у порівнянні з версією, що обмежувалася лише риссю або стрибками.

Дослідники припускають, що ця технологія зрештою може допомогти роботам орієнтуватися в зонах лих або інших місцях, недоступних для колісних машин. Однак поточна структура дозволяє лише два варіанти ходи та в основному обробляє рух вперед.

Раніше NV Техно писав, що китайська компанія Robbyant представила дві нові ШІ-моделі LingBot-Depth 2.0 і LingBot-Vision. Вони допомагають роботам точніше визначати відстань до предметів і розпізнавати об'єкти у складних умовах.

LingBot-Depth 2.0 була розроблена з метою вдосконалення просторового сприйняття роботів. Модель проходила навчання з використанням 150 мільйонів зразків. Вона продемонструвала найвищі результати у 12 з 16 тестів, спрямованих на відновлення даних про глибину сцен. Найбільше покращення точності спостерігається в закритих приміщеннях, де камери роботів часто втрачають частину інформації про відстань до об'єктів.