Udgivet den: 25. februar 2025 / Opdateret den: 25. februar 2025 – Forfatter: Konrad Wolfenstein
Fra snublerier til saltomortaler i robotteknologi: AI-opgradering omdefinerer humanoide evner – Billede: Xpert.Digital
Humanoidernes fremtid: Atlas bliver smartere gennem forstærkningslæring
Strategisk partnerskab: Boston Dynamics optimerer Atlas til virkelige applikationer
I en meddelelse afslørede Boston Dynamics, en pioner inden for dynamisk robotteknologi, og Robotics & AI Institute (RAI Institute), en forskningsinstitution ledet af den anerkendte robotekspert og tidligere administrerende direktør for Boston Dynamics, Marc Raibert, et strategisk partnerskab. Det erklærede mål med dette samarbejde, der officielt blev lanceret i februar 2025, er at forbedre den avancerede humanoide robot Atlas' muligheder betydeligt ved hjælp af reinforcement learning. Dette samarbejde lover ikke blot at gøre Atlas mere fleksibel og agil, men også at kvalificere den til en bredere vifte af virkelige anvendelser og dermed bane vejen for en ny æra inden for humanoid robotteknologi.
Relateret til dette:
Hovedmål for det fremadrettede samarbejde
Partnerskabet mellem Boston Dynamics og RAI Institute fokuserer på en række ambitiøse mål, der sigter mod at transformere Atlas' grundlæggende funktioner og udvikle det fra en imponerende forskningsdemonstration til et alsidigt og praktisk værktøj. Disse bestræbelser er centreret omkring tre hovedområder:
Brobygning mellem simulering og virkelighed: Vejen fra simulering til virkelighed
En af de største udfordringer inden for robotteknologi, især inden for reinforcement learning, er at overføre færdigheder lært i simuleringer til den virkelige verden. Simuleringer tilbyder et ideelt miljø til træning af robotter, fordi de giver ubegrænsede data, fuldstændig kontrol over miljøet og evnen til at simulere farlige eller dyre scenarier uden risiko. Robotter kan udføre utallige iterationer af bevægelser og opgaver i virtuelle verdener uden fare for skader eller personskader.
Virkeligheden er imidlertid langt mere kompleks og uforudsigelig. Fysiske robotter opererer i en verden fuld af sensorisk støj, uforudsete forstyrrelser, unøjagtigheder i modelleringen og den konstante udfordring af variabilitet. Det, der fungerer i en perfekt kontrolleret simulering, kan fejle i den kaotiske virkelighed. "Sim-til-real-gabet" beskriver netop denne uoverensstemmelse.
Partnerskabet mellem Boston Dynamics og RAI Institute sigter mod at lukke dette hul gennem innovative metoder og algoritmer. Forskere arbejder på at udvikle robuste og generaliserbare bevægelsessekvenser, der fungerer pålideligt ikke kun i simulering, men også i den virkelige verden. Dette omfatter udvikling af avancerede simuleringsmiljøer, der mere præcist afspejler den fysiske virkelighed, samt anvendelse af teknikker som domænerandomisering og adaptiv simulering for at gøre de modeller, der trænes i simuleringer, mere modstandsdygtige over for den virkelige verdens uforudsigelighed. Succes på dette område er afgørende for at frigøre det fulde potentiale af forstærkningslæring til robotteknologi og implementering af robotter i virkelige, ustrukturerede miljøer.
Forbedring af lokomotivmanipulation: Bevægelsens og interaktionens kunst
Evnen til at manipulere objekter – det vil sige at bevæge og manipulere objekter samtidigt – er en nøglefunktion for robotter, der er beregnet til at operere i komplekse og dynamiske miljøer. Forestil dig en humanoid robot, der bevæger sig gennem et lager for at plukke pakker, eller en robot, der rydder op i affald i et katastrofeområde, mens den samtidig søger efter overlevende. I alle disse scenarier er det vigtigt, at robotten ikke kun kan bevæge sig effektivt, men også interagere med sine omgivelser på samme tid.
Det er imidlertid en enorm udfordring at udvikle avancerede strategier til bevægelsesmanipulation. Det kræver tæt koordinering mellem bevægelsesplanlægning, baneplanlægning, gribeplanlægning og kraftkontrol. Robotten skal være i stand til at tilpasse sine bevægelser og manipulationer i realtid til de konstant skiftende forhold i dens omgivelser.
Som en del af partnerskabet vil forskere udvikle nye og innovative strategier til at løfte Atlas' evner til bevægelsesmanipulation til et nyt niveau. Dette omfatter udforskning af algoritmer til samtidig bevægelses- og gribeplanlægning, udvikling af robuste kraftstyringsstrategier til manipulation af forskellige objekter og integration af sensorinformation i kontrolsløjfen for at muliggøre responsiv og adaptiv bevægelsesmanipulation. Forbedring af bevægelsesmanipulation er et afgørende skridt i at gøre Atlas til et virkelig alsidigt og nyttigt værktøj til en bred vifte af anvendelser.
Udforskning af helkropskontaktstrategier: Synergien mellem arme og ben
Humanoide robotter som Atlas har et unikke potentiale til at bevæge sig og interagere på måder, der minder meget om menneskelig bevægelse. Denne evne til at integrere hele kroppen, inklusive arme, ben og torso, i komplekse bevægelser og opgaver åbner helt nye muligheder for robotteknologi. Strategier med helkropskontakt går ud over simpel armmanipulation og udnytter synergien mellem arme og ben til at muliggøre højtydende bevægelser og opgaver.
Forestil dig en person, der bærer en tung genstand. De bruger ikke kun deres arme, men også deres ben, torso og hele kroppen til at stabilisere vægten, opretholde balancen og transportere genstanden effektivt. På samme måde bør humanoide robotter være i stand til at bruge hele deres krop til at udføre komplekse opgaver, der kræver tæt koordination mellem arme og ben.
Forskerne fokuserer på at udvikle avancerede kontrolalgoritmer og planlægningsstrategier til højtydende helkropsbevægelser og -opgaver. Dette omfatter områder som dynamisk gang, hop, klatring, løft og bæring af tunge genstande, manipulation i lukkede rum og interaktion med komplekse miljøer. Forskning i helkropskontaktstrategier er afgørende for at realisere det fulde potentiale af den humanoide formfaktor og udvikle robotter, der kan bevæge sig og interagere i verden på naturlige og intuitive måder.
Betydningen af dette banebrydende samarbejde
Partnerskabet mellem Boston Dynamics og RAI Institute er af enorm betydning for robot- og AI-forskningsmiljøet af flere årsager. For det første forener det to førende organisationer inden for robotteknologi, hver med unikke styrker og ekspertise. Boston Dynamics er kendt verden over for sine imponerende og dynamiske robotplatforme som Atlas, Spot, Handle og Stretch. RAI Institute, under ledelse af Marc Raibert, har årtiers erfaring med at udvikle banebrydende teknologier til intelligente maskiner og med at anvende reinforcement learning på komplekse robotproblemer.
Marc Raibert, grundlæggeren af RAI Institute, er et ikon inden for robotteknologi. Som tidligere administrerende direktør for Boston Dynamics formede han virksomhedens udvikling betydeligt og skabte nogle af verdens mest imponerende robotter. Hans vision om robotter, der kan bevæge sig i den virkelige verden med samme færdigheder og alsidighed som mennesker og dyr, har haft en dybtgående indflydelse på robotforskningen. Med grundlæggelsen af RAI Institute fortsætter Raibert sin mission om at flytte grænserne for, hvad der er muligt inden for robotteknologi og AI.
Samarbejdet bygger på et solidt fundament af tidligere fælles projekter, herunder "Reinforcement Learning Researcher Kit" til den firbenede robot Spot. Dette kit gør det muligt for forskere verden over at udvikle og teste reinforcement learning-algoritmer på Spot-platformen. Den succesfulde udvikling og implementering af dette kit har vist, at begge organisationer er i stand til at arbejde effektivt sammen og udvikle innovative løsninger inden for reinforcement learning til robotteknologi.
Ved at anvende forstærkningslæring på Atlas, en af verdens mest avancerede og kapable humanoide robotter, forventer partnerne betydelige fremskridt i udviklingen af humanoide evner. Forstærkningslæring giver potentiale til at træne robotter til at håndtere komplekse opgaver, der ville være vanskelige at udføre med traditionelle programmeringsmetoder. Det gør det muligt for robotter at lære, tilpasse sig og løbende forbedre deres evner gennem interaktion med deres omgivelser.
Boston Dynamics og RAI Institute har forpligtet sig til at offentliggøre regelmæssige opdateringer og demonstrationer af deres arbejde med Atlas for at gøre fremskridt inden for humanoid robotteknologi tilgængelige for en bredere offentlighed. Denne gennemsigtighed er afgørende for at opbygge tillid til robot- og AI-forskning og fremme offentlighedens accept af disse teknologier. De planlagte publikationer vil ikke kun informere det videnskabelige samfund, men også inspirere offentligheden med de fascinerende muligheder og udfordringer ved humanoid robotteknologi.
Fælles forskning og udvikling i detaljer
Samarbejdet mellem Boston Dynamics og RAI Institute er opdelt i flere kerneområder inden for forskning og udvikling, der er tæt forbundet og supplerer hinanden:
Udvikling af en fælles pipeline til forstærkningslæring til Atlas
Kernen i partnerskabet er udviklingen af en avanceret pipeline til forstærkningslæring, der er specifikt skræddersyet til Atlas' behov og muligheder. Denne pipeline vil danne grundlag for træning af dynamisk og generaliserbar adfærd til mobil manipulation. Den omfatter alle trin i forstærkningslæringsprocessen, lige fra definition af belønningsfunktioner og valg af passende algoritmer, via udvikling af simuleringsmiljøer og dataindsamling til validering og overførsel af den lærte adfærd til den virkelige robot.
Træningsforløbet vil være modulært for at sikre fleksibilitet og tilpasningsevne til forskellige opgaver og miljøer. Det vil integrere avancerede forstærkningslæringsteknikker, såsom dybdegående forstærkningslæring, modelbaseret forstærkningslæring og forstærkningslæring med flere agenter, for at maksimere træningseffektiviteten og robustheden. Der vil være særligt fokus på at udvikle belønningsfunktioner, der gør det muligt for Atlas at lære komplekse opgaver uden at kræve, at hvert trin defineres eksplicit. Disse belønningsfunktioner vil guide robotten til at udvikle effektive, naturlige og menneskelignende bevægelser og interaktioner.
Sim-to-Real Transfer: Broen mellem den virtuelle og virkelige verden
Som tidligere nævnt er overførsel fra simulering til virkeligheden en af de største udfordringer inden for forstærkningslæring inden for robotteknologi. Teamene vil arbejde intensivt for at bygge bro mellem simuleringer og den virkelige verden og for at sikre, at den adfærd, der trænes i simuleringer, kan overføres succesfuldt og pålideligt til den fysiske hardware.
Dette kræver en flerlags tilgang, der omfatter både forbedring af simuleringsmiljøer og udvikling af robuste overførselsmetoder. Simuleringsmiljøerne forbedres løbende for mere præcist at afspejle den fysiske virkelighed, herunder modellering af friktion, kontakt, inerti og andre fysiske effekter. Samtidig anvendes teknikker som domænerandomisering, systemidentifikation og adaptiv kontrol for at gøre de modeller, der trænes i simuleringer, mere modstandsdygtige over for den virkelige verdens usikkerheder. Målet er at skabe en problemfri overgang fra simulering til virkelighed, der gør det muligt for Atlas at anvende de færdigheder, der læres i den virtuelle verden, i virkelige miljøer uden betydelig forringelse af ydeevnen.
Fokus på nøglefærdigheder for fremtidens humanoide robotteknologi
Partnerskabet fokuserer på at udvikle og forbedre nøglefunktioner, der er afgørende for den praktiske brug af humanoide robotter i virkelige miljøer:
Forbedret lokomotivmanipulation: Håndter genstande under bevægelse
Atlas skal kunne manipulere objekter og enheder såsom døre, afbrydere, håndtag, værktøj og andre genstande, mens de bevæger sig rundt. Denne evne er afgørende for en bred vifte af applikationer, lige fra industriel automatisering og logistik til eftersøgnings- og redningsaktioner. Forestil dig Atlas, der navigerer i ujævnt terræn, samtidig med at den rydder affald eller betjener værktøj for at reparere en beskadiget struktur.
Forbedret bevægelsesmanipulation kræver udvikling af algoritmer, der koordinerer bevægelsesplanlægning, gribeplanlægning og kraftkontrol i realtid. Atlas skal være i stand til at tilpasse sine bevægelser og manipulationer til formen, størrelsen, vægten og teksturen af de objekter, den manipulerer. Desuden skal den være i stand til at håndtere usikkerheder i opfattelse og omgivelserne og dynamisk justere sine planer og bevægelser. Udvikling af disse funktioner vil gøre Atlas til et langt mere alsidigt og nyttigt værktøj til en bred vifte af anvendelser.
Strategier for helkropskontakt: Komplekse bevægelser og tunge belastninger
Forskerne fokuserer på at udvikle sofistikerede helkropsbevægelser, der går ud over simpel gang og gribeteknik. Disse omfatter dynamisk løb, hop, klatring, løft og bæring af tunge genstande samt manipulation i trange rum. Disse evner kræver tæt koordination mellem arme, ben og torso, hvor helkropssynergi udnyttes til at udføre komplekse opgaver.
Dynamisk gang og hop gør det muligt for Atlas at bevæge sig hurtigt og effektivt hen over ujævnt terræn og over forhindringer. Klatring forlænger dens rækkevidde og giver adgang til svært tilgængelige områder. Løft og bæring af tunge genstande gør den til et værdifuldt værktøj inden for logistik og byggeri. Manipulation i trange rum gør det muligt at bruge den i miljøer, der er vanskelige eller farlige for mennesker at få adgang til. Udviklingen af helkropskontaktstrategier er et afgørende skridt i retning af at realisere det fulde potentiale af den humanoide formfaktor og gøre Atlas til en virkelig adræt og kapabel robot.
Praktisk implementering og løbende fremskridtsovervågning
Partnerskabet mellem Boston Dynamics og RAI Institute lægger stor vægt på en transparent og praksisorienteret implementering af deres forsknings- og udviklingsarbejde:
Regelmæssige statusrapporter og demonstrationer
Boston Dynamics og RAI Institute har forpligtet sig til regelmæssigt at udgive statusrapporter, der dokumenterer den seneste udvikling og resultater i deres samarbejde. Disse rapporter vil ikke blot indeholde skriftlige beskrivelser af fremskridt, men også illustrative demonstrationer ved hjælp af Atlas, der viser de nyerhvervede færdigheder i praksis. Disse demonstrationer vil blive udgivet som videoer og præsentationer og stillet til rådighed for det videnskabelige samfund og den brede offentlighed.
De regelmæssige opdateringer og demonstrationer tjener flere formål. De giver det videnskabelige samfund mulighed for at følge fremskridt inden for humanoid robotteknologi og inspirere hinanden. De fremmer gennemsigtighed og tillid til robotforskning og hjælper med at øge den offentlige accept af disse teknologier. Derudover giver de Boston Dynamics og RAI Institute mulighed for at modtage feedback fra fællesskabet og justere deres forskningsretning i overensstemmelse hermed.
Samarbejdssted: Massachusetts, USA
Alt forsknings- og udviklingsarbejde inden for partnerskabet finder sted i Massachusetts, hvor begge organisationer har hovedkvarter. Denne geografiske nærhed fremmer et tæt samarbejde og direkte udveksling mellem forskerholdene. Boston Dynamics- og RAI Institute-holdene arbejder i fælles laboratorier og udnytter ressourcerne og infrastrukturen i begge organisationer. Denne tætte integration af teams og ressourcer er en afgørende faktor for partnerskabets succes, da den muliggør udnyttelse af synergier og effektiv fremgang inden for forskning og udvikling.
Atlas' forventede nye muligheder: Et kig ind i fremtiden for humanoid robotteknologi
Gennem partnerskabet mellem Boston Dynamics og RAI Institute forventes Atlas-robotten at få en række banebrydende nye funktioner, der vil gøre den til et endnu mere alsidigt og nyttigt værktøj:
Forbedret mobilitet og manipulation: Smidighed og præcision i bevægelse
Dynamisk bevægelse
Atlas vil blive i stand til at bevæge sig endnu mere stabilt og jævnt hen over ujævnt terræn, i komplekse miljøer og endda i dynamiske scenarier. Dette inkluderer gang, hop, klatring og evnen til at tilpasse sig forskellige overflader og forhold i realtid. Dynamisk bevægelse muliggøres af avancerede kontrolalgoritmer og fusion af sensordata, der gør det muligt for Atlas at opretholde sin balance, overvinde forhindringer og tilpasse sine bevægelser til den specifikke situation.
Fuldkropsmanipulation
Robotten vil implementere avancerede helkropskontaktstrategier til præcist og effektivt at løfte, bære, flytte og manipulere tunge genstande. Dette kræver en højt udviklet koordination af arme, ben og torso for at stabilisere vægten, opretholde balancen og håndtere genstandene sikkert. Helkropsmanipulation vil give Atlas mulighed for at udføre opgaver, der tidligere var forbeholdt mennesker, såsom at flytte tunge byrder på lagerbygninger, på byggepladser eller i katastrofeområder.
Forbedret miljøinteraktion: Intelligent interaktion med verden
Objektmanipulation
Atlas vil lære at manipulere en række forskellige objekter og apparater i sit miljø, herunder døre, afbrydere, håndtag, ventiler, værktøj, beholdere og meget mere. Denne evne vil give ham mulighed for at operere i menneskelige miljøer og udføre opgaver, der kræver interaktion med eksisterende infrastruktur. Objektmanipulation kræver avancerede opfattelsesevner for at detektere, lokalisere og identificere objekter, samt sofistikerede gribe- og manipulationsstrategier for at håndtere dem sikkert og effektivt.
Tilpasningsevne til materialer og strukturer
Robotten vil automatisk og intelligent kunne tilpasse sin kraft, hastighed og bevægelser til forskellige materialer og strukturer uden at beskadige eller ødelægge dem. Dette er afgørende for sikker og pålidelig interaktion i den virkelige verden, hvor robotter vil støde på en bred vifte af overflader, materialer og objekter. Denne tilpasningsevne opnås ved hjælp af kraft- og momentsensorer, taktile sensorer og avancerede kontrolalgoritmer, der gør det muligt for Atlas at overvåge og justere sine interaktioner i realtid.
Læringsevne og generalisering: Fundamentet for fremtidige innovationer
Mere effektiv læring gennem forstærkningslæring:
Ved at anvende avancerede forstærkningslæringsteknikker vil Atlas være i stand til at lære nye færdigheder betydeligt hurtigere og mere effektivt end før. Dette inkluderer udvikling af algoritmer, der accelererer læring og bearbejder data
Relateret til dette:
Din globale marketing- og forretningsudviklingspartner
☑️ Vores forretningssprog er engelsk eller tysk
☑️ NYT: Korrespondance på dit modersmål!
Konrad Wolfenstein
Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.
Du kan kontakte mig ved at udfylde kontaktformularen her eller blot ringe til mig på +49 89 89 674 804 ( München) . Min e-mailadresse er: [email protected]
Jeg glæder mig til vores fælles projekt.