Megjelent: 2025. február 25. / Frissítés: 2025. február 25 - Szerző: Konrad Wolfenstein
A botlástól a robotika somersaultig: ai-upgrade meghatározza a humanoid készségeket-képeket: xpert.digital
A humanoidok jövője: az atlasz a megerősítés okosabb tanulásán keresztül történik
Stratégiai partnerség: A Boston Dynamics optimalizálja az atlaszot a valódi alkalmazásokhoz
Egy bejelentésben a Boston Dynamics, a dinamikus robot és a Robotics & AI Intézet (RAI Intézet) úttörője, a híres robotszakértő és a Boston Dynamics korábbi vezérigazgatóinak kutatóintézete, Marc Raibert bejelentette egy a Boston Dynamics vezérigazgatóit. Stratégiai partnerség. Ennek az együttműködésnek a bejelentett célja, amely hivatalosan 2025 februárjában kezdte meg, a fejlett humanoid robot -atlas készségeinek jelentős javítása a megerősítő tanulás (megerősítő tanulás) felhasználásával. Ez az együttműködés nemcsak az Atlas rugalmasabbá és mozgékonyabbá tétele, hanem a valódi alkalmazások szélesebb spektrumára is képes, és így előkészíti az utat a humanoid robotika új korszakához.
Alkalmas:
A jövőbeli orientált együttműködés alapvető célja
A Boston Dynamics és a RAI Intézet közötti partnerség számos ambiciózus célra összpontosít, amelyek célja az Atlas alapvető készségeinek átalakítása, és egy lenyűgöző kutatási demonstrátorból történő fejlesztése változatos és gyakorlati eszközré. Ezen erőfeszítések középpontjában három fő terület található:
A SIM-to-valóság áthidalása: az út a szimulációtól a valóságig
A robotika egyik legnagyobb kihívása, különösen a megerősítés tanulásának területén, a szimulációkban megtanult készségek átadása a való világba. A szimulációk ideális környezetet kínálnak a robotok edzésére, mivel ezek korlátlan mennyiségű adatot, a környezet feletti teljes ellenőrzést és a veszélyes vagy költségintenzív forgatókönyvek kockázatmentes szimulálásának lehetőségét. A robotok számtalan mozgást és feladatot végezhetnek a virtuális világokban, sérülések vagy sérülések kockázata nélkül.
A valóság viszont sokkal összetettebb és kiszámíthatatlan. A fizikai robotok szenzoros zajjal, előre nem látható rendellenességekkel, a modellezés pontatlanságaival és a variabilitás állandó kihívásával teli világban működnek. Ami a tökéletesen ellenőrzött szimulációban működik, a kaotikus valóságban kudarcot vallhat. A "Sim-to-Real-Lücke" pontosan ezt az eltérést írja le.
A Boston Dynamics és a RAI Intézet közötti partnerség úgy döntött, hogy az innovatív módszerek és algoritmusok felhasználásával megszünteti ezt a rést. A kutatók olyan robusztus és általánosítható mozgalmak fejlesztésén dolgoznak, amelyek megbízhatóan nemcsak a szimulációban, hanem a való világban is működnek. Ez magában foglalja a fejlett szimulációs környezetek fejlesztését, amelyek pontosabban térképezik a fizikai valóságot, valamint olyan technikák alkalmazását, mint például a domain randomizálás és az adaptív szimuláció annak érdekében, hogy a szimulációkban képzett modellek rezisztensebbé váljanak a valós világ elszámolhatatlanságával szemben. Az ezen a területen a siker elengedhetetlen a robotika megerősítésének teljes potenciáljának kiaknázása és a robotok valós, strukturálatlan környezetben történő felhasználásához.
A loko -manipuláció javítása: A mozgás és az interakció művészete
A loko -manipuláció, azaz az objektumok egyidejű szállításának és manipulációjának a képessége kulcsfontosságú képessége a robotok számára, amelyeknek összetett és dinamikus környezetben kell működniük. Képzeljünk el egy humanoid robotot, amely egy raktáron keresztül mozog, hogy csomagokat válasszon, vagy egy robotot, amely kiküszöböli a törmeléket egy katasztrófa zónában, és ugyanakkor a túlélőket keresi. Ezen forgatókönyvek mindegyikében elengedhetetlen, hogy a robot ne csak hatékonyan mozogjon, hanem egyszerre is kölcsönhatásba léphessen a környezetével.
A fejlett Loko manipulációs stratégiák kidolgozása azonban óriási kihívás. Szoros koordinációt igényel a mozgástervezés, a vasúti tervezés, a megfogás tervezése és az erő szintje között. A robotnak képesnek kell lennie arra, hogy a mozgását és a manipulációkat valós időben a környezetének folyamatosan változó körülményeihez igazítsa.
A partnerség részeként a kutatók új és innovatív stratégiákat dolgoznak ki az Atlas Loco manipulációs készségek új szintre emelésére. Ez magában foglalja az egyidejű tervezés és a megragadó tervezés algoritmusainak kutatását, a különféle objektumok manipulálására szolgáló robusztus energiamegroll stratégiák kidolgozását és az érzékszervi információk integrálását a vezérlőhurokba, hogy lehetővé tegye a reakció gyors és adaptív mozdony -manipulációját. A loko -manipuláció javítása kritikus lépés annak érdekében, hogy az Atlas valóban sokoldalú és hasznos eszköz legyen a különféle alkalmazásokhoz.
Kutatás a teljes testű kapcsolattartási stratégiákkal: A szegények és a lábak szinergiája
A humanoid robotok, mint például az atlasz, egyedülálló potenciállal rendelkeznek az emberi mozgáshoz nagyon hasonló módon mozgatni és kölcsönhatásba lépni. Ez a képesség, hogy az egész testet, beleértve a karokat, a lábakat és a törzseket is integrálják, komplex mozgásokba és feladatokba, teljesen új lehetőségeket kínál a robotika számára. Az egész test érintkezési stratégiái meghaladják a karokkal való egyszerű manipulációt, és a karok és a lábak közötti szinergiát használják a nagy teljesítményű mozgások és feladatok lehetővé tétele érdekében.
Gondolj egy olyan személyre, aki nehéz tárgyat hordoz. Nemcsak a karját, hanem a lábát, a törzsét és az egész testét is használja a súly stabilizálására, az egyensúly megtartása és a tárgy hatékony szállításához. Hasonlóképpen, a humanoid robotoknak képesnek kell lenniük arra, hogy az egész testüket olyan összetett feladatok kezelésére használják, amelyek szoros koordinációt igényelnek a karok és a lábak között.
A kutatók a fejlett szabályozási algoritmusok és a nagy teljesítményű teljes testmozgások és feladatok tervezési stratégiáinak kidolgozására összpontosítanak. Ide tartoznak olyan területek, mint például a dinamikus futás, az ugrás, a hegymászás, az emelés és a nehéz tárgyak hordozása, a zsúfolt helyiségekben történő manipuláció és az összetett környezetekkel való interakció. A teljes testű kapcsolattartási stratégiák kutatása döntő jelentőségű a humanoid forma tényező teljes potenciáljának kiaknázása és olyan robotok fejlesztése érdekében, amelyek természetes és intuitív módon képesek mozogni és kölcsönhatásba lépni a világon.
Ennek az irányított együttműködésnek a fontossága
A Boston Dynamics és a RAI Intézet közötti partnerség több okból is óriási jelentőséggel bír a robotika és az AI kutatási közösség számára. Először két vezető szervezetet egyesít a robotika területén, mindegyik egyedi erősségekkel és készségekkel. A Boston Dynamics világszerte ismert lenyűgöző és dinamikus robotplatformjairól, mint például az Atlas, a Spot, a Fogus és a Stretch. A RAI Intézet Marc Raibert irányítása alatt évtizedes tapasztalatokat szerez az intelligens gépek legfontosabb technológiáinak fejlesztésében és a megerősítés tanulásának felhasználásában az összetett robotikai problémákhoz.
Marc Raiber, a RAI Intézet alapítója a robotika ikonja. A Boston Dynamics volt vezérigazgatójaként jelentősen kialakította a vállalat fejlesztését, és a világ leglátványosabb robotjait készítette. A robotika kutatása tartós hatással volt a robotok elképzelésére, amely ugyanolyan okos és sokoldalú mozoghat a való világban, mint az emberek és az állatok. A RAI Intézet alapításával Raiber folytatja küldetését, hogy kibővítse a lehetséges robotika és az AI korlátait.
Az együttműködés a korábbi közös projektek szilárd alapján alapul, ideértve a négygömbös robothely "megerősítő tanulási kutatói készletét". Ez a készlet lehetővé teszi a kutatók számára, hogy világszerte kidolgozzák és teszteljék a megerősítő tanulási algoritmusokat az azonnali platformon. A készlet sikeres fejlesztése és megvalósítása azt mutatta, hogy mindkét szervezet képes hatékonyan működni és innovatív megoldásokat fejleszteni a robotika újbóli megerősítésének tanulásának területén.
Az Atlas, a világ egyik legfejlettebb és legerősebb humanoid robotjának a megerősítő tanulásának felhasználásával a partnerek jelentős előrelépést várnak el a humanoid készségek fejlesztésében. A megerősítő tanulás lehetőséget kínál a robotok kiképzésére, a hagyományos programozási megközelítésekkel nehéz végrehajtani összetett feladatokat. Ez lehetővé teszi a robotok számára, hogy a környezetükkel való interakció révén megtanulják, alkalmazkodjanak és folyamatosan javítsák képességeiket.
A Boston Dynamics és a RAI Intézet vállalta, hogy rendszeres frissítéseket és demonstrációkat tesz közzé az ATLAS -nal végzett munkájukról annak érdekében, hogy a humanoid robotika terén előrelépés elérhető legyen a nagyközönség számára. Ez az átláthatóság fontos a robotika és az AI kutatás iránti bizalom megerősítése, valamint ezeknek a technológiáknak a társadalmi elfogadásának előmozdítása érdekében. A tervezett publikációk nemcsak a tudományos közösséget tájékoztatják, hanem a nyilvánosságot is ösztönözni fogják a humanoid robotika lenyűgöző lehetőségeire és kihívásaira.
Közös kutatás és fejlesztés részletesen
A Boston Dynamics és a RAI Intézet közötti együttműködés a kutatás és fejlesztés számos alapterületére oszlik, amelyek szorosan összekapcsolódnak és kiegészítik egymást:
Az Atlas közös újrafelvételi tanulási képzési vezetékének fejlesztése
A partnerség középpontjában a legmodernebb megerősítő tanulási képzési csővezeték fejlesztése van, amelyet kifejezetten az Atlas igényeihez és készségeihez igazítanak. Ez a csővezeték képezi az alapot a mobil manipuláció dinamikus és általánosítható viselkedésének képzéséhez. Ez magában foglalja a megerősítés tanulási folyamatának minden lépését, a jutalomfüggvények meghatározásától és a megfelelő algoritmusok kiválasztásától a szimulációs környezet kidolgozásáig és az adatgyűjtésig a tanult viselkedés validálásáig és átviteléig a valódi roboton.
Az edzési csővezeték moduláris lesz a rugalmasság és az alkalmazkodóképesség biztosítása érdekében a különféle feladatokhoz és környezethez. Integrálja a megerősítés tanulásának fejlett technikáit, például a mély megerősítés tanulását, a modell-alapú megerősítés tanulását és a multi-agent megerősítés tanulását a képzés hatékonyságának és robusztusságának maximalizálása érdekében. Különös hangsúlyt fektetnek a jutalmazási funkciók fejlesztésére, amelyek lehetővé teszik az Atlas számára, hogy összetett feladatokat megtanuljon anélkül, hogy minden lépést kifejezetten meghatároznának. A jutalomfunkciók célja a robot irányítása a hatékony, természetes és emberi jellegű mozgások és interakciók kialakításához.
Sim-to-valósítás: A híd a virtuális és a valós világ között
Mint már említettük, a SIM-to-Real átadás az egyik legnagyobb kihívás a robotika megerősítésében. A csapatok intenzíven fognak dolgozni a szimulációk és a való világ közötti különbség áthidalásán, és biztosítják, hogy a szimulációkban képzett viselkedés sikeresen és megbízhatóan átvihető legyen a fizikai hardverbe.
Ehhez többrétegű megközelítést igényel, amely magában foglalja a szimulációs környezet javítását és a robusztus átviteli módszerek fejlesztését. A szimulációs környezetet folyamatosan javítják annak érdekében, hogy pontosabban a fizikai valóságot feltérképezzék, ideértve a súrlódás, az érintkezés, a tehetetlenség és más fizikai hatások modellezését is. Ugyanakkor olyan technikákat alkalmaznak, mint a domain randomizálás, a rendszer azonosítás és az adaptív vezérlés, hogy a szimulációkban képzett modelleket rezisztensebbé tegyék a valós világ elszámolhatatlanságával szemben. A cél az, hogy zökkenőmentes átmenetet hozzon létre a szimulációról a valóságra, hogy az atlasz felhasználhassa a virtuális világban megtanult készségeket anélkül, hogy a valós környezetben jelentős teljesítmény elvesztése lenne.
Összpontosítson a humanoid robotika jövőjének kulcsfontosságú készségeire
A partnerség a kulcsfontosságú készségek fejlesztésére és fejlesztésére összpontosít, amelyek nélkülözhetetlenek a humanoid robotok gyakorlati felhasználásához valódi környezetben:
Javított Loco -manipuláció: Kezelje a tárgyakat mozgás közben
Az Atlasnak képesnek kell lennie arra, hogy manipulálja az objektumokat és eszközöket, például ajtókat, kapcsolókat, karokat, szerszámokat és más tárgyakat, miközben egyszerre mozog. Ez a képesség kulcsfontosságú a különféle alkalmazásokhoz, az ipari automatizálástól a logisztikáig a keresési és mentési műveletekig. Képzelje el az Atlasot, amely egy durva terepen mozog, és ugyanakkor eltávolította a törmeléket, vagy szerszámokat szolgál fel a sérült szerkezet javításához.
A továbbfejlesztett Loco -manipuláció algoritmusok fejlesztését igényli, amelyek összehangolják a mozgástervezést, a megragadó tervezést és az erő szintjét valós időben. Az Atlasnak képesnek kell lennie arra, hogy a mozgását és a manipulációkat a manipulált tárgyak alakjához, méretéhez, súlyához és természetéhez igazítsa. Ezen túlmenően képesnek kell lennie arra, hogy kezelje az észlelés és a környező terület bizonytalanságait, és dinamikusan adaptálja a terveit és mozgásait. Ezen készségek fejlesztése az Atlas sokkal sokoldalúbb és hasznosabb eszközévé teszi az alkalmazások széles skáláját.
Teljes test érintkezési stratégiák: Komplex mozgások és nehéz terhelések
A kutatók a teljes testmozgások fejlesztésére összpontosítanak, amelyek túlmutatnak az egyszerű gyalogláson és elérésen. Ez magában foglalja a dinamikus futást, az ugrást, a hegymászást, az emelést és a nehéz tárgyak hordozását, valamint a zsúfolt helyiségekben történő manipulációt. Ezek a készségek szoros összehangolást igényelnek a karok, a lábak és a törzsek között, és az egész test szinergiáját használják az összetett feladatok kezelésére.
A dinamikus futás és az ugrás lehetővé teszi az Atlas számára, hogy gyorsan és hatékonyan mozogjon egyenetlen terepen és az akadályok felett. A hegymászás meghosszabbítja tartományát, és lehetővé teszi a nehéz területekhez való hozzáférést. A nehéz tárgyak emelése és viselése értékes segítővé teszi őt a logisztikában és az építkezésben. A zsúfolt helyiségekben történő manipuláció lehetővé teszi az emberek számára nehéz vagy veszélyes környezetben való felhasználást. A teljes testű kapcsolattartási stratégiák kidolgozása kulcsfontosságú lépés a humanoid forma tényező teljes potenciáljának kiaknázására, és az Atlas igazán agilis és erőteljes robotvá tételére.
Gyakorlati megvalósítás és folyamatos előrehaladás ellenőrzése
A Boston Dynamics és a RAI Intézet közötti partnerség nagy jelentőséggel bír a kutatási és fejlesztési munkájának átlátható és gyakorlat-orientált végrehajtásának:
Rendszeres előrehaladási jelentések és tüntetések
A Boston Dynamics és a RAI Intézet rendszeresen közzétette az együttműködés legújabb fejleményeit és sikerét dokumentáló rendszeres előrehaladási jelentéseket. Ezek a jelentések nemcsak az előrehaladás írásbeli leírásait, hanem az Atlas -szal folytatott élénk demonstrációkat is tartalmazzák, amelyek megmutatják az újonnan megszerzett cselekvési készségeket. Ezeket a tüntetéseket videók és prezentációk formájában teszik közzé, és elérhetővé teszik a tudományos közösség és a nagyközönség számára.
A rendszeres frissítések és tüntetések több célt szolgálnak. Ezek lehetővé teszik a tudományos közösség számára, hogy elérje a humanoid robotika előrehaladását és inspirálja egymást. Elősegítik az átláthatóságot és a robotika kutatásában való bizalmat, és hozzájárulnak ezen technológiák társadalmi elfogadásának növeléséhez. Ezenkívül lehetőséget kínálnak a Boston Dynamics és a RAI Intézet számára, hogy visszajelzést kapjanak a közösségtől és ennek megfelelően adaptálják kutatási irányukat.
Az együttműködés helye: Massachusetts, USA
A teljes kutatási és fejlesztési munkák a partnerség részeként Massachusettsben zajlanak, ahol mindkét szervezet székhelye van. Ez a térbeli közelség elősegíti a kutatócsoportok közötti szoros együttműködést és közvetlen cserét. A Boston Dynamics csapata és a RAI Intézet közös laboratóriumokban dolgozik, és mindkét szervezet erőforrásait és infrastruktúráit felhasználja. A csapatok és az erőforrások szoros integrációja kulcsfontosságú tényező a partnerség sikeréhez, és lehetővé teszi a szinergiák felhasználását, valamint a kutatási és fejlesztési munkák hatékony előmozdítását.
Az Atlas várható új készségei: a humanoid robotika jövőjének pillantása
A Boston Dynamics és a RAI Intézet közötti partnerség miatt az Atlas Robot célja számos úttörő új készség beszerzése, amelyek még sokoldalúbb és hasznosabb eszközévé teszik:
Javított mobilitás és manipuláció: Agilitás és pontosság mozgásban
Dinamikus mozgás
Az Atlasnak még stabilabb és folyadékot kell mozgatni az egyenetlen terepen, összetett környezetben és még dinamikus forgatókönyvekben is. Ez magában foglalja a futást, az ugrást, a mászást és a képességét, hogy valós időben alkalmazkodjon a különböző felületekhez és körülményekhez. A dinamikus mozgást a fejlett szabályozási algoritmusok és az érzékelő adatok fúziója teszi lehetővé, amelyek lehetővé teszik az Atlas számára, hogy megőrizze egyensúlyát, legyőzze az akadályokat, és mozgásait az adott helyzethez igazítsa.
Teljes test manipuláció
A robot fejlett stratégiákat fog végrehajtani a teljes test kapcsolatához, hogy pontosan és eredményesen használhassa, hordozza, mozgatja és manipulálja. Ehhez a karok, a lábak és a törzsek erősen fejlett koordinációjára van szükség a súly stabilizálása, az egyensúly megtartása és a tárgyak biztonságos kezelése érdekében. A teljes test manipulációja lehetővé teszi az Atlas számára, hogy olyan feladatokat vállaljon, amelyeket korábban csak az emberek számára tartottak fenn, például a raktárakban, az építési helyszíneken vagy a katasztrófaövezetekben lévő nehéz terhelések mozgatását.
Fejlett környezeti interakció: Intelligens interakció a világgal
Objektumkezelés
Az Atlasnak meg kell tanulnia manipulálni a területén számos tárgyat és eszközt, beleértve az ajtókat, kapcsolókat, karokat, szelepeket, szerszámokat, tartályokat és még sok minden mást. Ez a képesség lehetővé teszi számára, hogy emberi környezetben cselekedjen, és olyan feladatokat hajtson végre, amelyek interakciót igényelnek a meglévő infrastruktúrával. Az objektum -manipulációhoz a fejlett észlelési készségek megkövetelik a tárgyak felismerése, megtalálása és azonosítása, valamint a kifinomult megfogási és manipulációs stratégiák számára, hogy biztonságosan és hatékonyan kezeljék őket.
Alkalmazkodóképesség az anyagokhoz és struktúrákhoz
A robot képes lesz automatikusan és intelligensen adaptálni erősségét, sebességét és mozgását különböző anyagokhoz és szerkezetekhez anélkül, hogy károsítaná vagy megsemmisítené őket. Ez elengedhetetlen a valós világgal való biztonságos és megbízható interakcióhoz, amelyben a robotok különféle felületekkel, anyagokkal és tárgyakkal találkoznak. Az alkalmazkodóképességet erő- és nyomaték -érzékelők, tapintható érzékelők és fejlett szabályozási algoritmusok felhasználásával érik el, amelyek lehetővé teszik az Atlas számára, hogy valós időben megfigyelje és adaptálja interakcióit.
Tanulási képesség és általánosítás: A jövőbeli innovációk alapja
Hatékonyabb tanulás a megerősítés tanulásán keresztül:
A fejlett tisztítási tanulási technikák használata célja, hogy az Atlas sokkal gyorsabban és hatékonyabban megtanulja az új készségeket, mint korábban. Ez magában foglalja az algoritmusok fejlesztését, amelyek felgyorsítják a tanulást, az adatokat
Alkalmas:
Az Ön globális marketing- és üzletfejlesztési partnere
☑️ Üzleti nyelvünk angol vagy német
☑️ ÚJ: Levelezés az Ön nemzeti nyelvén!
Konrad Wolfenstein
Szívesen szolgálok Önt és csapatomat személyes tanácsadóként.
Felveheti velem a kapcsolatot az itt található kapcsolatfelvételi űrlap kitöltésével , vagy egyszerűen hívjon a +49 89 89 674 804 (München) . Az e-mail címem: wolfenstein ∂ xpert.digital
Nagyon várom a közös projektünket.