Een robuuste, aanpasbare robot die tijdens het vliegen op zijn omgeving reageert en obstakels zoals een gebroken been overwint zonder menselijke tussenkomst, kan worden gebruikt om mensen te redden uit een aardbevingsgebied of om locaties op te ruimen die te gevaarlijk zijn voor mensen.

Het maakt deel uit van een werkveld dat machines bouwt die realtime hulp kunnen bieden met slechts beperkte gegevens als invoer. Standaard algoritmen voor machine learning moeten vaak duizenden mogelijkheden verwerken voordat ze een oplossing kiezen, wat onpraktisch kan zijn in onder druk staande scenario's waar snelle aanpassing van cruciaal belang is.

Na de kernramp in Fukushima in 2011 in Japan bijvoorbeeld, robots werden de energiecentrale ingestuurd om radioactief afval op te ruimen in omstandigheden die veel te gevaarlijk zijn voor mensen. Het probleem, zegt robotica-onderzoeker professor Jean-Baptiste Mouret is dat de robots steeds kapot gingen of gevaren tegenkwamen die hen tegenhielden.

Als onderdeel van het ResiBots-initiatief, hij ontwerpt een goedkopere robot die lang meegaat zonder constant menselijk onderhoud voor breuken en die beter is in het overwinnen van onverwachte obstakels.

Het ResiBots-team gebruikt wat het microdata-leeralgoritmen noemt, die robots kunnen helpen zich voor je ogen aan te passen op een manier die vergelijkbaar is met hoe dieren op problemen reageren. Een dier zal bijvoorbeeld, vinden vaak een manier om door te gaan als ze gewond raken, ook al weten ze niet precies wat het probleem is.

In tegenstelling tot, de meeste huidige robots diagnosticeren zelf een probleem voordat ze een manier bedenken om het op te lossen, zegt prof. Mouret, hoofdonderzoeker bij ResiBots en senior onderzoeker bij onderzoekscentrum Inria in Frankrijk.

"We proberen dit te omzeilen door een manier te vinden waarop ze kunnen reageren zonder noodzakelijkerwijs een begrip te hebben ontwikkeld van wat er mis is, " hij zei.

In plaats van zelfdiagnose te stellen, het doel van deze robots is om op een proactieve manier met vallen en opstaan ​​te leren welke alternatieve acties ze kunnen ondernemen. Dit kan hen helpen moeilijkheden te overwinnen en te voorkomen dat ze stoppen in situaties zoals rampscenario's zoals Fukushima, zei prof. Mouret.

Dit is misschien geen volledige kunstmatige intelligentie, maar prof. Mouret wijst erop dat kennis van alles niet essentieel is om een ​​robot aan het werk te krijgen.

"We proberen niet alles op te lossen, " zei hij. "Ik ben meer geïnteresseerd in hoe ze zich kunnen aanpassen - en, in feite, aanpassen aan wat er gebeurt is een van de dingen die dieren intelligent maakt."

gesimuleerde jeugd

In een van de meest veelbelovende benaderingen ontwikkeld in het ResiBots-project, de robots hebben een gesimuleerde kindertijd, waarin ze verschillende manieren leren om hun lichaam te bewegen met behulp van een algoritme dat van tevoren zoekt om voorbeelden van nuttig gedrag te verzamelen.

Dit betekent dat bij het zoeken naar een manier om te bewegen, de robots moeten kiezen uit een van de ongeveer 13, 000 gedragingen in plaats van een geschatte 10 ⁴⁷ opties waaruit standaardalgoritmen kunnen kiezen. En het doel is dat ze er slechts een handvol van proberen voordat ze er een vinden die werkt.

De meeste tests van ResiBot worden momenteel uitgevoerd op een robot met zes poten die nieuwe manieren zoekt om te bewegen nadat een of meer poten zijn verwijderd. In de laatste proeven, Prof. Mouret zei dat de robots binnen één tot twee minuten leerden lopen nadat een van hun benen was verwijderd. wat betekent dat ze over het algemeen minder dan 10 gedragingen moeten testen voordat ze er een vinden die werkt.

In totaal, de onderzoekers werken aan een half dozijn robots met verschillende niveaus van complexiteit, waaronder een kinderachtige humanoïde robot die bekend staat als iCub. Hoewel de veel complexere iCub nog niet in veel proeven wordt gebruikt, het team hoopt dit in de loop van de tijd meer te doen.

"Humanoïden hebben het potentieel om zeer veelzijdig te zijn en zich goed aan te passen aan omgevingen die zijn ontworpen voor mensen, " zei Prof. Mouret. "Bijvoorbeeld, kerncentrales hebben deuren, hefbomen en ladders die zijn ontworpen voor mensen."

Er zijn, echter, enkele grote uitdagingen die nog moeten worden overwonnen, inclusief het feit dat een robot terug naar zijn startpositie moet worden verplaatst nadat een ledemaat is verwijderd, in plaats van door te kunnen gaan van de plaats van de verwonding naar het doelwit.

Veiligheid

Er zijn ook bredere veiligheidskwesties met betrekking tot dergelijke robots - bijvoorbeeld ervoor te zorgen dat ze de overlevenden van de aardbeving niet schaden terwijl ze worden gered, vooral als de robot leert door vallen en opstaan, zei prof. Mouret.

Hij denkt dat het minstens vier of vijf jaar zal duren voordat zo'n robot in het veld kan worden gebruikt, maar is hoopvol dat de technieken uiteindelijk kunnen worden toegepast in alle soorten robots - niet alleen die voor rampsituaties, maar in het huis en andere scenario's.

Maar het zijn niet alleen mechanica die robots kunnen helpen door de echte wereld te navigeren. Robots kunnen zich ook beter aanpassen als ze taal sterker kunnen verbinden met de werkelijkheid.

Professor Gemma Boleda aan de Universitat Pompeu Fabra in Spanje, heeft een achtergrond in taalkunde en haar team probeert onderzoek op dit gebied te koppelen aan kunstmatige intelligentie om machines te helpen de wereld om hen heen beter te begrijpen, als onderdeel van een project genaamd AMORE.

Het is iets dat nuttig zou kunnen zijn om technologie zoals GPS intelligenter te maken. Bijvoorbeeld, bij het rijden in een auto, het GPS-systeem zou kunnen aangeven dat je rechtsaf slaat waar 'de grote boom' is, onderscheiden van verschillende andere bomen.

Prof. Boleda zegt dat dit in het verleden moeilijk was vanwege de moeilijkheid om de manier te modelleren waarop mensen taal met de werkelijkheid verbinden.

"Vroeger, taal was grotendeels buiten de context weergegeven, " zei prof. Boleda.

Het doel van AMORE is om computers woorden en concepten te laten begrijpen in een reële context in plaats van als afzonderlijke woorden op zichzelf. ze zegt. Bijvoorbeeld, een robot zou leren om de uitdrukking 'deze hond' te verbinden met een echte hond in de kamer, die zowel de woorden als de entiteiten uit de echte wereld vertegenwoordigen.

"De crux van deze modellen is dat ze in staat zijn om hun eigen representaties te leren van data, "voegde ze eraan toe. "Vroeger, onderzoekers moesten de machine vertellen hoe de wereld eruit zag."

Door machines een beter begrip te geven van de wereld om hen heen, kunnen ze 'meer met minder' doen in termen van de hoeveelheid gegevens die ze nodig hebben en worden ze beter in het voorspellen van resultaten, zei prof. Boleda.

Het kan ook helpen bij het probleem van voldoende fysieke ruimte op apparaten zoals mobiele telefoons voor de volgende golf van intelligente applicaties.

"Ik werk met taal, maar dit probleem van het nodig hebben van veel gegevens is een probleem dat veel andere domeinen van kunstmatige intelligentie plaagt, " zei prof. Boleda. "Dus als ik methoden ontwikkel die meer kunnen doen met minder, dan kunnen deze ook elders worden toegepast."