Robotter bliver programmeret til at tilpasse sig i realtid

En robust, tilpasningsdygtig robot, der reagerer på sit miljø i farten og overvinder forhindringer såsom et brækket ben uden menneskelig indgriben, kan bruges til at redde mennesker fra en jordskælvszone eller rydde op på steder, der er for farlige for mennesker.

Det er en del af et arbejdsfelt, der bygger maskiner, der kan give realtidshjælp ved kun at bruge begrænset data som input. Standard maskinlæringsalgoritmer skal ofte behandle tusindvis af muligheder, før de beslutter sig for en løsning, hvilket kan være upraktisk i pressede scenarier, hvor hurtig tilpasning er kritisk.

Efter Japans Fukushima-atomkatastrofe i 2011, for eksempel, robotter blev sendt ind i kraftværket for at rydde op i radioaktivt affald under forhold, der var alt for farlige for mennesker. Problemet, siger robotforsker professor Jean-Baptiste Mouret er, at robotterne blev ved med at bryde sammen eller stødte på farer, der stoppede dem i deres spor.

Som en del af ResiBots-initiativet, han designer en billigere robot, der kan holde i lange perioder uden at kræve konstant menneskelig vedligeholdelse for brud og er bedre til at overvinde uventede forhindringer.

ResiBots-teamet bruger, hvad det omtaler som mikrodataindlæringsalgoritmer, som kan hjælpe robotter med at tilpasse sig foran ens øjne på en lignende måde, som dyr reagerer på problemer. Et dyr vil, for eksempel, finder ofte en måde at fortsætte med at bevæge sig på, hvis de kommer til skade, også selvom de ikke helt ved hvad problemet er.

I modsætning, de fleste nuværende robotter selvdiagnosticerer et problem, før de finder en måde at overvinde det på, siger prof. Mouret, hovedforsker hos ResiBots og seniorforsker ved forskningscentret Inria i Frankrig.

"Vi forsøger at genveje dette ved at finde en måde, hvorpå de kan reagere uden nødvendigvis at have udviklet en forståelse af, hvad der er galt, " han sagde.

I stedet for selvdiagnosticering, Målet for disse robotter er at lære på en proaktiv måde ved forsøg og fejl, hvilke alternative handlinger de kan tage. Dette kan hjælpe dem med at overvinde vanskeligheder og forhindre dem i at lukke ned i situationer såsom katastrofescenarier som Fukushima, sagde prof. Mouret.

Dette er muligvis ikke fuld kunstig intelligens, men prof. Mouret påpeger, at det ikke er afgørende at have viden om alt for at få en robot til at fungere.

"Vi forsøger ikke at løse alt, " sagde han. "Jeg er mere interesseret i, hvordan de kan tilpasse sig – og, faktisk, at tilpasse sig det, der sker, er noget af det, der gør dyr intelligente."

Simuleret barndom

I en af ​​de mest lovende tilgange udviklet i ResiBots-projektet, robotterne har en simuleret barndom, hvor de lærer forskellige måder at bevæge deres krop på ved hjælp af en algoritme, der søger på forhånd for at indsamle eksempler på nyttig adfærd.

Det betyder, at når man søger en måde at bevæge sig på, robotterne skal vælge mellem en af ​​omkring 13, 000 adfærd i stedet for anslået 10 ⁴⁷ muligheder, som standardalgoritmer kan vælge imellem. Og målet er, at de kun prøver en håndfuld af disse, før de finder en, der virker.

De fleste af ResiBots tests udføres i øjeblikket på en seksbenet robot, der søger at finde nye måder at bevæge sig efter at have fjernet et eller flere ben. I de seneste forsøg, Prof. Mouret sagde, at robotterne lærte at gå på et til to minutter efter, at deres ene ben blev taget af, hvilket betyder, at de generelt skal teste færre end 10 adfærd, før de finder en, der virker.

I alt, forskerne arbejder på et halvt dusin robotter på forskellige niveauer af kompleksitet, herunder en børnelignende humanoid robot kendt som iCub. Selvom den meget mere komplekse iCub endnu ikke bliver brugt i mange forsøg, holdet håber at gøre det mere med tiden.

"Humanoider har potentialet til at være meget alsidige og tilpasse sig godt til miljøer designet til mennesker, " sagde prof. Mouret. "For eksempel, atomkraftværker har døre, håndtag og stiger, der er designet til mennesker."

Der er, imidlertid, nogle store udfordringer, der stadig skal overvindes, herunder det faktum, at en robot skal flyttes tilbage til sin startposition, når en lem er fjernet, i stedet for at kunne fortsætte fra skadestedet mod målet.

Sikkerhed

Der er også bredere sikkerhedsproblemer, der involverer sådanne robotter – f.eks. sikre, at de ikke skader jordskælvsoverlevende, mens de redder dem, især hvis robotten lærer ved at prøve og fejle, sagde prof. Mouret.

Han mener, at der vil gå mindst fire eller fem år, før sådan en robot kan bruges i marken, men håber på, at teknikkerne med tiden kan anvendes i alle typer robotter – ikke kun dem til katastrofesituationer, men i hjemmet og andre scenarier.

Men det er ikke kun mekanik, der kan hjælpe robotter med at navigere i den virkelige verden. Robotter kan også tilpasse sig bedre, hvis de stærkere kan forbinde sproget med virkeligheden.

Professor Gemma Boleda ved Universitat Pompeu Fabra i Spanien, har en baggrund i lingvistik, og hendes team forsøger at forbinde forskning på dette område med kunstig intelligens for at hjælpe maskiner til bedre at forstå verden omkring dem, som en del af et projekt kaldet AMORE.

Det er noget, der kunne være nyttigt til at gøre teknologi såsom GPS mere intelligent. For eksempel, når man kører i bil, GPS-systemet kunne angive, at du drejer til højre, hvor 'det store træ' er, adskiller den fra flere andre træer.

Prof. Boleda siger, at dette har været svært at gøre tidligere på grund af vanskeligheden ved at modellere den måde, mennesker forbinder sprog med virkeligheden på.

"I fortiden, sproget var stort set blevet repræsenteret uden for kontekst, " sagde prof. Boleda.

AMOREs mål er at få computere til at forstå ord og begreber i en kontekst i den virkelige verden snarere end som individuelle ord isoleret, hun siger. For eksempel, en robot ville lære at forbinde sætningen "denne hund" med en faktisk hund i rummet, repræsenterer både ordene og de virkelige enheder.

"Kruxet i disse modeller er, at de er i stand til at lære deres egne repræsentationer fra data, " tilføjede hun. "Før, forskere skulle fortælle maskinen, hvordan verden så ud."

At give maskiner en bedre forståelse af verden omkring dem vil hjælpe dem med at gøre 'mere med mindre' med hensyn til mængden af ​​data, de har brug for, og blive bedre til at forudsige resultater, Prof. Boleda sagde.

Det kunne også hjælpe med spørgsmålet om at have nok fysisk plads på enheder som mobiltelefoner til den næste bølge af intelligente applikationer.

"Jeg arbejder med sprog, men dette problem med at have brug for en masse data er et problem, der plager mange andre domæner af kunstig intelligens, " sagde prof. Boleda. "Så hvis jeg udvikler metoder, der kan mere med mindre, så kan disse også anvendes andre steder."