Een team van onderzoekers van Robotic Systems Lab in Zwitserland en Intelligent Systems Lab in Duitsland en de VS heeft een manier gevonden om machine learning toe te passen op robotica om dergelijke machines meer mogelijkheden te geven. In hun artikel gepubliceerd in het tijdschrift Wetenschap Robotica , de groep beschrijft hoe ze machine learning toepasten op robotica en zo een hondachtige robot meer wendbaarheid en snelheid gaven.

Machine learning is de laatste tijd veel in het nieuws, omdat dergelijke systemen menselijke vermogens blijven besluipen, waardoor ze ongekende mogelijkheden krijgen. In deze nieuwe poging de onderzoekers probeerden een deel van diezelfde verbetering toe te passen op een hondachtige robot genaamd ANYmal - een ongebonden machine ter grootte van een grote hond die rond kan lopen op een manier die erg lijkt op die van een echt dier. ANYmal is oorspronkelijk gemaakt door een team van Robotic Systems Lab en is gecommercialiseerd. Nu is het bedrijf een samenwerking aangegaan met Intelligent Systems Lab om de robot de mogelijkheid te geven om te leren hoe hij de dingen moet doen die hij doet door te oefenen, in plaats van door te programmeren.

Machine learning werkt door doelen voor een systeem op te stellen en het vervolgens een middel te geven om manieren te testen om die doelen te bereiken - voortdurend verbeterend naarmate benchmarks worden bereikt. Het testen wordt steeds opnieuw gedaan, soms duizenden keren. Dergelijk testen is moeilijk met een robot, zowel vanwege de vele factoren die erbij betrokken zijn (zoals alle attributen die nodig zijn om het evenwicht te bewaren) als vanwege de enorme tijdsinvestering. Nadat we een manier hadden gevonden om het eerste probleem aan te pakken, de onderzoekers vonden een manier om de tweede te omzeilen. In plaats van ELKE worsteling door zijn leerregime in de echte wereld, de onderzoekers creëerden een virtuele versie van de robot die op een eenvoudige desktopcomputer kon draaien.

De onderzoekers merken op dat het ongeveer 1000 keer sneller was om de robot te laten leren in zijn virtuele incarnatie dan in de echte wereld. Ze lieten de virtuele hond zichzelf maximaal 11 uur trainen en downloadden vervolgens de resultaten naar de fysieke robot. Uit testen bleek dat de aanpak heel goed werkte. De nieuwe en verbeterde versie van ANYmal was wendbaarder (in staat om te voorkomen dat een mens hem omtrapt en kon zichzelf weer rechtzetten als hij viel) en hij liep ongeveer 25 procent sneller.

© 2019 Wetenschap X Netwerk