Een team van Australische onderzoekers heeft een betrouwbare strategie ontworpen voor het testen van de fysieke capaciteiten van humanoïde robots - robots die qua bouw en ontwerp lijken op de menselijke lichaamsvorm. Met behulp van een mix van machine learning-methoden en algoritmen, het onderzoeksteam is erin geslaagd om testrobots effectief te laten reageren op onbekende veranderingen in de gesimuleerde omgeving, het verbeteren van hun kansen om in de echte wereld te functioneren.

De bevindingen, die werden gepubliceerd in een gezamenlijke publicatie van de IEEE en de Chinese Association of Automation Journal of Automatica Sinica in juli, veelbelovende implicaties hebben voor het brede gebruik van humanoïde robots op gebieden als gezondheidszorg, opleiding, rampenbestrijding en entertainment.

“Humanoïde robots kunnen zich op vele manieren bewegen en daarbij menselijke bewegingen nabootsen om complexe taken uit te voeren. Om dat te kunnen doen, hun stabiliteit is essentieel, vooral onder dynamische en onvoorspelbare omstandigheden, " zei corresponderende auteur Dacheng Tao, Professor en ARC Laureate Fellow aan de School of Computer Science en de Faculteit Ingenieurswetenschappen van de Universiteit van Sydney.

"We hebben een methode ontworpen die humanoïde robots op betrouwbare wijze leert om deze taken uit te voeren, " voegde Tao toe, die ook de inaugurele directeur is van het UBTECH Sydney Artificial Intelligence Centre.

Humanoïde robots zijn robots die lijken op de fysieke eigenschappen van mensen:het hoofd, een torso, en twee armen en voeten - en beschikken over het vermogen om te communiceren met mensen en andere robots. Uitgerust met sensoren en andere invoerapparaten, deze robots voeren ook beperkte activiteiten uit volgens de input van buitenaf.

Ze zijn meestal voorgeprogrammeerd voor specifieke activiteiten en vertrouwen op twee soorten leermethoden:modelgebaseerd en modelvrij. De eerste leert een robot een reeks modellen die hij kan gebruiken om zich in een scenario te gedragen, terwijl de laatste dat niet doet. Hoewel beide leermethoden tot op zekere hoogte succesvol zijn geweest, elk paradigma alleen is niet voldoende gebleken om een ​​humanoïde robot uit te rusten om zich te gedragen in een realistisch scenario waarin de omgeving voortdurend en vaak onvoorspelbaar verandert.

Om dit te overwinnen, Tao en zijn team introduceerden een nieuwe leerstructuur die delen van zowel modelgebaseerd als modelvrij leren omvat om een ​​tweevoetige, of tweebenig, robot. De voorgestelde controlemethode overbrugt de kloof tussen de twee leerparadigma's, waar de overgang van het leren van het model naar het leren van de daadwerkelijke procedure soepel is verlopen. Simulatieresultaten tonen aan dat het voorgestelde algoritme in staat is om de robot te stabiliseren op een bewegend platform onder onbekende rotaties. Als zodanig, deze methoden tonen aan dat de robots zich dienovereenkomstig kunnen aanpassen aan verschillende onvoorspelbare situaties en dus kunnen worden toegepast op robots buiten de laboratoriumomgeving.

In de toekomst, de onderzoekers hopen hun methode te valideren in complexere omgevingen met meer onvoorspelbare en veranderende variabelen en met verschillende afmetingen, terwijl ze het vermogen van de robots testen om volledige lichaamsbeheersing uit te oefenen.

"Ons uiteindelijke doel zal zijn om te zien hoe onze methode de robot in staat stelt controle te hebben over zijn hele lichaam als het wordt blootgesteld aan onmeetbare en onverwachte verstoringen zoals een veranderend terrein. We zouden ook graag zien hoe de robot in staat is om te leren imiteren menselijke beweging, zoals beweging van het enkelgewricht, zonder voorafgaande informatie."