Roboty uczą się od siebie jak po zmianie smartfona
Gdy zmieniamy smartfon na nowy, proces jest niemal bezbolesny – logujemy się na konto, a aplikacje i ustawienia pobierają się same. W świecie przemysłowej robotyki wymiana ramienia na nowszy model oznaczała dotąd żmudne programowanie wszystkiego od początku. Już nie.
Szwajcarscy badacze z EPFL opracowali system, który to zmienia, pozwalając maszynom przenosić wyuczone umiejętności bez względu na różnice sprzętowe.
Od lat inżynierowie rozwijają techniki uczenia robotów poprzez demonstrację. Zamiast pisać tysiące linijek kodu, operator fizycznie lub zdalnie prowadzi ramię maszyny, pokazując jej, jak zespawać element czy przenieść pudełko. Problem polega na tym, że tak wyuczony algorytm był do tej pory przypisany do jednej, konkretnej budowy maszyny. Jeśli nowa wersja robota ma chociażby minimalnie dłuższe przeguby lub inną orientację stawów, stary zestaw instrukcji staje się bezużyteczny, a maszyna może uderzyć w przeszkodę lub zablokować się.
„Wraz z nowymi projektami pojawiają się inne możliwości i ograniczenia. Problemem jest dostosowanie się do tych ograniczeń, aby wiernie powtórzyć czynności zademonstrowane przez człowieka” – wyjaśnia Durgesh Haribhau Salunkhe, robotyk z EPFL (Szwajcarski Federalny Instytut Technologii w Lozannie) i współautor badania, które ukazało się w magazynie Science Robotics.
Matematyczne strefy zagrożenia
Kluczem do zrozumienia problemu jest pojęcie osobliwości (singularity). To matematyczna „strefa zagrożenia”, punkt, w którym stawy robota układają się tak, że maszyna tymczasowo traci stopień swobody – podobnie jak ludzkie ramię blokuje się, gdy w pełni wyprostujemy łokieć, odpychając duży ciężar. Ślepe podążanie za starą ścieżką ruchu na nowym sprzęcie kończy się zazwyczaj gwałtownym, niekontrolowanym zrywem.
Zespół Sthithpragya Gupty ze Szwajcarii rozwiązał ten problem, tworząc architekturę o nazwie „Kinematic Intelligence” (Inteligencja Kinematyczna). Badacze skategoryzowali najpopularniejsze, 3-przegubowe roboty przemysłowe na sześć podstawowych klas i na tej podstawie stworzyli dokładne mapy ich ograniczeń fizycznych.
Dzięki temu maszyna, wiedząc, do jakiej kategorii należy, zyskuje matematyczną samoświadomość. Kiedy system napotyka na osobliwość, omija ją, przesuwając się dynamicznie wzdłuż jej granicy, by w bezpiecznym momencie wrócić na zadaną przez człowieka ścieżkę.
Rewolucja bez sztucznej inteligencji
Co najciekawsze w dobie powszechnego entuzjazmu wobec AI, ten konkretny przełom opiera się na klasycznej algebrze.
Jak tłumaczy Gupta, nowsze podejścia bazujące na sztucznej inteligencji wymagają dostępu do każdego z robotów na etapie uczenia, a co gorsza, wprowadzają element nieprzewidywalności. Algorytmy typu black box (czarna skrzynka) mogą w skrajnych przypadkach zachować się chaotycznie, co w fabryce, przy szybko poruszających się, ciężkich ramionach, niesie ze sobą ryzyko katastrofy. System zbudowany przez zespół z EPFL zapewnia twardą, matematyczną pewność, a nie tylko wysokie prawdopodobieństwo poprawnego ruchu.
Technologia została już sprawdzona w praktyce. W laboratorium ustawiono trzy zupełnie różne ramiona robotyczne (DynaArm, KUKA oraz Neura). Człowiek tylko raz zademonstrował sekwencję zadań (zrzucenie obiektu, przeniesienie, wrzucenie do kosza). Następnie badacze wymieszali przypisane do maszyn role – bez żadnego przeprogramowywania. System Kinematic Intelligence w locie przeliczył różnice w ich budowie i pozwolił płynnie kontynuować pracę.
Kolejnym wyzwaniem dla zespołu jest teraz wyposażenie systemu w zaawansowane czujniki środowiskowe, które pozwolą maszynom na bezpieczną pracę w dynamicznym otoczeniu, gdzie często pojawiają się ludzie lub zmieniają się wagi przenoszonych obiektów.
Etyka przegrywa z wojskiem? Szefowa działu robotyki odchodzi z OpenAI przez umowę z Pentagonem
