تکنولوژی

ربات آدم‌نمای اطلس مهارت‌ها و قدرت خود را با همکاری با استاد قدیمی‌اش تقویت می‌کند

بوتسان دینامیکس با همکاری موسسه رباتیک و هوش مصنوعی، تقویت یادگیری تقویتی در ربات آدم‌نمای الکتریکی اطلس خود را بهبود می‌دهد. این همکاری مواردی از جمله تقویت قابلیت‌های مانورپذیری، انتقال شبیه‌سازی به واقعیت، و استراتژی‌های تماس کل‌بدنی را شامل می‌شود. هدف این اقدامات ایجاد حرکت‌های پویا و همه‌جانبه در اطلس الکتریکی است.

در تلاشی برای مقابله با پیشرفت‌های ارائه شده توسط رقبای چینی، بوتسان دینامیکس با موسسه رباتیک و هوش مصنوعی (RAI Institute) همکاری کرده است تا یادگیری تقویتی در ربات آدم‌نمای الکتریکی اطلس را بهبود بخشد.

بوتسان دینامیکس و موسسه RAI بر اساس همکاری‌های قبلی خود، از جمله کیت پژوهشی یادگیری تقویتی Spot، کار خواهند کرد. این کیت که سال گذشته منتشر شد، رفتارها و حرکات منحصربه‌فردی را ممکن ساخت و به Spot کمک کرد تا به سرعت رکوردی ۱۱.۵ مایل در ساعت (۵.۲ متر بر ثانیه) دست یابد.

انتظار می‌رود که آخرین همکاری قابلیت‌های مانورپذیری موبایل را بهبود بخشد و با ترکیب تخصص تیم‌ها به پیشرفت فناوری رباتیک و ایجاد حرکت‌هایی پویا و قابل همه‌جانبه برای اطلس منجر شود.

در آوریل ۲۰۲۴، یک روز پس از بازنشستگی ربات هیدرولیک اطلس، بوتسان دینامیکس جانشین آن را معرفی کرد—ربات اطلس کاملاً الکتریکی که برای استفاده در دنیای واقعی طراحی شده است.

تقویت یادگیری ربات

هر دو بوتسان دینامیکس و موسسه RAI توسط مارک رایبرت، استاد سابق MIT و مدیرعامل طولانی‌مدت بوتسان دینامیکس تأسیس شده‌اند.

تأسیس شده در سال ۲۰۲۲، این موسسه به پژوهش‌های رایبرت ادامه می‌دهد و اجازه می‌دهد که تحقیقات پیشرفته در زمینه رباتیک فراتر از محدودیت‌های تجاری انجام شود.

هیوندای، که بوتسان دینامیکس را در سال ۲۰۲۱ تصاحب کرد، همچنین این موسسه را تأمین مالی می‌کند و به صورت مشابه به تویوتا TRI را پشتیبانی می‌کند. همکاری‌های بوتسان دینامیکس با TRI و موسسه RAI به منظور تقویت یادگیری ربات آدم‌نمای الکتریکی اطلس انجام می‌شود، طبق گزارش تک‌کرانچ.

"ما در زمانی بسیار هیجان‌انگیز برای توسعه ربات‌های آدم‌نما زندگی می‌کنیم. اما برای اینکه آدم‌نماها مفید باشند، باید به اندازه کافی انعطاف‌پذیر باشند تا در انواع مختلف محیط‌ها کار کنند و وظایف متنوعی را انجام دهند،" رابرت پلایتر، مدیرعامل بوتسان دینامیکس، در بیانیه‌ای گفت.

به همین ترتیب، همکاری موسسه RAI بر یادگیری تقویتی تمرکز دارد، روشی مبتنی بر آزمایش و خطا. شبیه‌سازی‌ها اکنون این فرآیند سنتی زمان‌بر را با امکان اجرای چندین وظیفه یادگیری به صورت متوازی تسریع می‌کنند.

قبلاً، شرکت چینی رباتیک AgiBot بزرگترین مجموعه داده‌های مانورپذیری آدم‌نما به نام AgiBot World Alpha را معرفی کرد، که شامل بیش از یک میلیون مسیر از ۱۰۰ ربات در بیش از ۱۰۰ سناریو در پنج حوزه مختلف است و بر مانورپذیری، استفاده از ابزار و همکاری تمرکز دارد.

Unitree نیز اخیراً یک مجموعه داده منبع باز کامل برای بدن منتشر کرد که به ربات‌های آدم‌نمای خود H1، H1-2 و G-1 امکان می‌دهد به طور طبیعی تحرک داشته باشند، حتی برقصند. این داده‌ها با استفاده از فناوری تصویربرداری حرکت LAFAN1 ثبت شده و با تمامی واحدهای اصلی ربات Unitree سازگار است.

روبات آدم‌نمای SE01 EngineAI که به خاطر گام نزدیک به انسان خود شناخته شده است، در ویدیویی جدید که در ژانویه منتشر شد توجه بیشتری به خود جلب کرد. این ربات در کنار انسان‌ها در شنژن، دستاوردهای قابل توجه رباتیک چین در سال گذشته را نمایش می‌دهد که در ابتدا به اشتباه به عنوان جلوه‌های رایانه‌ای البته برآورد شد.

تحول اطلس

همکاری بین بوتسان دینامیکس و موسسه RAI به تلاش برای چالش‌های کلیدی در یادگیری تقویتی برای رباتیک، با تمرکز بر سه حوزه اصلی: انتقال شبیه‌سازی به واقعیت، لوکوموشن کل بدنه و استراتژی‌های تماس کامل بدن می‌پردازد.

با وجود پیشرفت‌ها در شبیه‌سازی‌های سریع موازی و تکنیک‌های بهینه‌سازی، انتقال سیاست‌های آموزش‌دیده در شبیه‌سازی به ربات‌های واقعی همچنان چالشی بزرگ باقی می‌ماند. برای پر کردن این ظرفیت، تیم‌ها سیاست‌های یادگیری تقویتی را توسعه خواهند داد که رفتار چابک و تطبیقی روی سخت‌افزار فیزیکی ایجاد کند، و اجازه می‌دهد که تحرکات قوی و عملی انجام شود.

یکی دیگر از اهداف، تقویت لوکوموشن کل بدنه است، جایی که ربات‌ها باید لوکوموشن را به طور بدون مشکل با تعامل با اشیاء، مانند باز کردن درها یا اداره کردن اهرم‌ها ترکیب کنند. با بهبود روباستی سیاست در این سناریوها، تیم‌ها به دنبال افزایش کاربری عملی ربات‌های آدم‌نما در محیط‌های واقعی هستند.

علاوه بر این، پژوهش به استراتژی‌های تماس کامل بدن برای وظایفی پیچیده مثل دویدن دینامیکی و جابجایی اشیاء سنگین می‌پردازد. این فعالیت‌ها نیاز به هماهنگی دقیق بین دست‌ها و پاها دارند و به تکنیک‌های یادگیری تقویتی نیاز دارند که رویدادهای تماس پیچیده را بدون محدودیت‌های پیش‌فرض دقیق مدیریت کنند.

به وسیله این پیشرفت‌ها، همکاری‌ها می‌خواهد مرزهای یادگیری تقویتی را به جلو ببرند و ربات الکتریکی اطلس را قادر سازند تا وظایف بیشتری را با عملکرد بالا و قابل استفاده در کاربردهای عملی انجام دهد.

توسط
Interesting Engineering
منبع
Interesting Engineering
نمایش بیشتر

اخبار مرتبط

بازگشت به بالا