Boston Dynamics 🤖 dan Robotics & AI Institute (RAI Institute) - Dari tersandung 🤷‍♂️ hingga jungkir balik 🤸‍♂️ Peningkatan AI Atlas mendefinisikan ulang kemampuan humanoid 🚀

Diterbitkan pada: 25 Februari 2025 / Diperbarui pada: 25 Februari 2025 – Penulis: Konrad Wolfenstein

Dari tersandung hingga jungkir balik dalam robotika: Peningkatan AI mendefinisikan ulang kemampuan humanoid – Gambar: Xpert.Digital

Masa depan humanoid: Atlas menjadi lebih pintar melalui pembelajaran penguatan (reinforcement learning).

Kemitraan strategis: Boston Dynamics mengoptimalkan Atlas untuk aplikasi dunia nyata.

Dalam sebuah pengumuman, Boston Dynamics, pelopor dalam robotika dinamis, dan Robotics & AI Institute (RAI Institute), sebuah lembaga penelitian yang dipimpin oleh pakar robotika ternama dan mantan CEO Boston Dynamics, Marc Raibert, mengungkapkan kemitraan strategis. Tujuan yang dinyatakan dari kolaborasi ini, yang secara resmi diluncurkan pada Februari 2025, adalah untuk secara signifikan meningkatkan kemampuan robot humanoid canggih Atlas melalui penggunaan pembelajaran penguatan (reinforcement learning). Kolaborasi ini menjanjikan tidak hanya untuk membuat Atlas lebih fleksibel dan lincah, tetapi juga untuk memenuhi syaratnya untuk berbagai aplikasi dunia nyata yang lebih luas, sehingga membuka jalan bagi era baru robotika humanoid.

Cocok untuk:

Robot humanoid dan dinamis seperti robotika – perbandingannya: Atlas dari Boston Dynamics dan Walker X dari UBTECH

Tujuan utama dari kolaborasi yang berorientasi ke masa depan

Kemitraan antara Boston Dynamics dan RAI Institute berfokus pada sejumlah tujuan ambisius yang bertujuan untuk mentransformasi kemampuan fundamental Atlas, mengembangkannya dari demonstrator penelitian yang mengesankan menjadi alat yang serbaguna dan praktis. Upaya ini berpusat pada tiga area utama:

Menjembatani Kesenjangan Simulasi ke Realitas: Jalan dari Simulasi ke Realitas

Salah satu tantangan terbesar dalam robotika, khususnya di bidang pembelajaran penguatan (reinforcement learning), adalah mentransfer keterampilan yang dipelajari dalam simulasi ke dunia nyata. Simulasi menawarkan lingkungan yang ideal untuk melatih robot karena menyediakan data yang tak terbatas, kendali penuh atas lingkungan, dan kemampuan untuk mensimulasikan skenario berbahaya atau mahal tanpa risiko. Robot dapat melakukan iterasi gerakan dan tugas yang tak terhitung jumlahnya di dunia virtual tanpa bahaya kerusakan atau cedera.

Namun, kenyataan jauh lebih kompleks dan tidak dapat diprediksi. Robot fisik beroperasi di dunia yang penuh dengan gangguan sensorik, gangguan tak terduga, ketidakakuratan dalam pemodelan, dan tantangan konstan berupa variabilitas. Apa yang berhasil dalam simulasi yang terkontrol sempurna dapat gagal dalam kenyataan yang kacau. "Kesenjangan simulasi-ke-nyata" menggambarkan dengan tepat perbedaan ini.

Kemitraan antara Boston Dynamics dan RAI Institute bertujuan untuk menutup kesenjangan ini melalui metode dan algoritma inovatif. Para peneliti berupaya mengembangkan urutan gerakan yang kuat dan dapat digeneralisasi yang berfungsi andal tidak hanya dalam simulasi tetapi juga di dunia nyata. Ini termasuk mengembangkan lingkungan simulasi canggih yang lebih akurat mencerminkan realitas fisik, serta menggunakan teknik seperti pengacakan domain dan simulasi adaptif untuk membuat model yang dilatih dalam simulasi lebih tahan terhadap ketidakpastian dunia nyata. Keberhasilan di bidang ini sangat penting untuk membuka potensi penuh pembelajaran penguatan untuk robotika dan menerapkan robot di lingkungan nyata yang tidak terstruktur.

Meningkatkan Manipulasi Lokomotif: Seni Gerakan dan Interaksi

Kemampuan untuk melakukan lokomanipulasi—yaitu, memindahkan dan memanipulasi objek secara bersamaan—adalah kemampuan kunci bagi robot yang dirancang untuk beroperasi di lingkungan yang kompleks dan dinamis. Bayangkan robot humanoid bergerak melalui gudang untuk mengambil paket, atau robot membersihkan puing-puing di zona bencana sambil secara bersamaan mencari korban selamat. Dalam semua skenario ini, sangat penting bahwa robot tidak hanya dapat bergerak secara efisien tetapi juga berinteraksi dengan lingkungannya pada saat yang bersamaan.

Namun, mengembangkan strategi lokomanipulasi tingkat lanjut merupakan tantangan yang sangat besar. Hal ini membutuhkan koordinasi yang erat antara perencanaan gerak, perencanaan jalur, perencanaan pengambilan objek, dan pengendalian gaya. Robot harus mampu menyesuaikan gerakan dan manipulasinya secara real-time terhadap kondisi lingkungan yang terus berubah.

Sebagai bagian dari kemitraan ini, para peneliti akan mengembangkan strategi baru dan inovatif untuk meningkatkan kemampuan loco-manipulasi Atlas ke tingkat yang baru. Ini termasuk mengeksplorasi algoritma untuk perencanaan gerakan dan genggaman simultan, mengembangkan strategi kontrol gaya yang kuat untuk memanipulasi berbagai objek, dan mengintegrasikan informasi sensor ke dalam loop kontrol untuk memungkinkan loco-manipulasi yang responsif dan adaptif. Meningkatkan loco-manipulasi adalah langkah penting dalam menjadikan Atlas sebagai alat yang benar-benar serbaguna dan bermanfaat untuk berbagai aplikasi.

Menjelajahi strategi kontak seluruh tubuh: Sinergi lengan dan kaki

Robot humanoid seperti Atlas memiliki potensi unik untuk bergerak dan berinteraksi dengan cara yang sangat mirip dengan gerakan manusia. Kemampuan untuk mengintegrasikan seluruh tubuh, termasuk lengan, kaki, dan badan, ke dalam gerakan dan tugas yang kompleks membuka kemungkinan baru bagi robotika. Strategi kontak seluruh tubuh melampaui manipulasi lengan sederhana dan memanfaatkan sinergi antara lengan dan kaki untuk memungkinkan gerakan dan tugas berkinerja tinggi.

Bayangkan seseorang membawa benda berat. Mereka tidak hanya menggunakan lengan, tetapi juga kaki, badan, dan seluruh tubuh untuk menstabilkan berat, menjaga keseimbangan, dan mengangkut benda tersebut secara efisien. Demikian pula, robot humanoid harus mampu menggunakan seluruh tubuh mereka untuk menyelesaikan tugas-tugas kompleks yang membutuhkan koordinasi erat antara lengan dan kaki.

Para peneliti berfokus pada pengembangan algoritma kontrol canggih dan strategi perencanaan untuk gerakan dan tugas seluruh tubuh berkinerja tinggi. Ini termasuk bidang-bidang seperti berjalan dinamis, melompat, memanjat, mengangkat dan membawa benda berat, manipulasi di ruang terbatas, dan interaksi dengan lingkungan yang kompleks. Penelitian tentang strategi kontak seluruh tubuh sangat penting untuk mewujudkan potensi penuh dari faktor bentuk humanoid dan mengembangkan robot yang dapat bergerak dan berinteraksi di dunia dengan cara yang alami dan intuitif.

Signifikansi dari kolaborasi inovatif ini

Kemitraan antara Boston Dynamics dan RAI Institute sangat penting bagi komunitas riset robotika dan AI karena beberapa alasan. Pertama, kemitraan ini menyatukan dua organisasi terkemuka di bidang robotika, masing-masing dengan kekuatan dan keahlian yang unik. Boston Dynamics dikenal di seluruh dunia karena platform robotnya yang mengesankan dan dinamis seperti Atlas, Spot, Handle, dan Stretch. RAI Institute, di bawah kepemimpinan Marc Raibert, membawa pengalaman puluhan tahun dalam mengembangkan teknologi mutakhir untuk mesin cerdas dan dalam menerapkan pembelajaran penguatan (reinforcement learning) pada masalah robotika yang kompleks.

Marc Raibert, pendiri RAI Institute, adalah ikon dalam bidang robotika. Sebagai mantan CEO Boston Dynamics, ia secara signifikan membentuk perkembangan perusahaan dan menciptakan beberapa robot paling mengesankan di dunia. Visinya tentang robot yang dapat bergerak di dunia nyata dengan keterampilan dan fleksibilitas yang sama seperti manusia dan hewan telah sangat memengaruhi penelitian robotika. Dengan berdirinya RAI Institute, Raibert melanjutkan misinya untuk mendorong batas-batas kemungkinan dalam robotika dan AI.

Kolaborasi ini dibangun di atas fondasi yang kokoh dari proyek-proyek bersama sebelumnya, termasuk "Reinforcement Learning Researcher Kit" untuk robot berkaki empat Spot. Kit ini memungkinkan para peneliti di seluruh dunia untuk mengembangkan dan menguji algoritma pembelajaran penguatan (reinforcement learning) pada platform Spot. Keberhasilan pengembangan dan implementasi kit ini telah menunjukkan bahwa kedua organisasi mampu bekerja sama secara efektif dan mengembangkan solusi inovatif di bidang pembelajaran penguatan untuk robotika.

Dengan menerapkan pembelajaran penguatan (reinforcement learning) pada Atlas, salah satu robot humanoid tercanggih dan terlengkap di dunia, para mitra mengharapkan kemajuan signifikan dalam pengembangan kemampuan humanoid. Pembelajaran penguatan menawarkan potensi untuk melatih robot agar dapat menangani tugas-tugas kompleks yang sulit dicapai dengan pendekatan pemrograman tradisional. Hal ini memungkinkan robot untuk belajar, beradaptasi, dan terus meningkatkan kemampuannya melalui interaksi dengan lingkungannya.

Boston Dynamics dan RAI Institute telah berkomitmen untuk menerbitkan pembaruan dan demonstrasi rutin dari pekerjaan mereka dengan Atlas untuk membuat kemajuan dalam robotika humanoid dapat diakses oleh masyarakat luas. Transparansi ini sangat penting untuk membangun kepercayaan pada penelitian robotika dan AI serta mendorong penerimaan publik terhadap teknologi ini. Publikasi yang direncanakan tidak hanya akan memberi informasi kepada komunitas ilmiah tetapi juga menginspirasi publik dengan peluang dan tantangan menarik dari robotika humanoid.

Penelitian dan pengembangan bersama secara rinci

Kolaborasi antara Boston Dynamics dan RAI Institute terbagi menjadi beberapa area inti penelitian dan pengembangan yang saling terkait erat dan saling melengkapi:

Pengembangan alur kerja pelatihan pembelajaran penguatan bersama untuk Atlas

Inti dari kemitraan ini adalah pengembangan alur pelatihan pembelajaran penguatan (reinforcement learning) mutakhir, yang secara khusus disesuaikan dengan kebutuhan dan kemampuan Atlas. Alur ini akan menjadi dasar untuk melatih perilaku dinamis dan dapat digeneralisasikan untuk manipulasi bergerak. Alur ini mencakup semua langkah proses pembelajaran penguatan, mulai dari mendefinisikan fungsi penghargaan dan memilih algoritma yang sesuai, hingga mengembangkan lingkungan simulasi dan akuisisi data, serta memvalidasi dan mentransfer perilaku yang dipelajari ke robot nyata.

Alur pelatihan akan bersifat modular untuk memastikan fleksibilitas dan kemampuan beradaptasi terhadap berbagai tugas dan lingkungan. Alur ini akan mengintegrasikan teknik pembelajaran penguatan tingkat lanjut, seperti pembelajaran penguatan mendalam, pembelajaran penguatan berbasis model, dan pembelajaran penguatan multi-agen, untuk memaksimalkan efisiensi dan ketahanan pelatihan. Fokus utama akan diberikan pada pengembangan fungsi penghargaan yang memungkinkan Atlas untuk mempelajari tugas-tugas kompleks tanpa perlu mendefinisikan setiap langkah secara eksplisit. Fungsi penghargaan ini akan memandu robot untuk mengembangkan gerakan dan interaksi yang efisien, alami, dan menyerupai manusia.

Transfer Simulasi ke Dunia Nyata: Jembatan antara dunia virtual dan dunia nyata

Seperti yang telah disebutkan sebelumnya, transfer simulasi ke dunia nyata adalah salah satu tantangan terbesar dalam pembelajaran penguatan untuk robotika. Tim akan bekerja secara intensif untuk menjembatani kesenjangan antara simulasi dan dunia nyata dan untuk memastikan bahwa perilaku yang dilatih dalam simulasi dapat ditransfer dengan sukses dan andal ke perangkat keras fisik.

Hal ini membutuhkan pendekatan berlapis yang mencakup peningkatan lingkungan simulasi dan pengembangan metode transfer yang tangguh. Lingkungan simulasi terus ditingkatkan agar lebih akurat mencerminkan realitas fisik, termasuk pemodelan gesekan, kontak, inersia, dan efek fisik lainnya. Secara bersamaan, teknik seperti pengacakan domain, identifikasi sistem, dan kontrol adaptif digunakan untuk membuat model yang dilatih dalam simulasi lebih tahan terhadap ketidakpastian dunia nyata. Tujuannya adalah untuk menciptakan transisi yang mulus dari simulasi ke realitas, memungkinkan Atlas untuk menerapkan keterampilan yang dipelajari di dunia virtual ke lingkungan dunia nyata tanpa penurunan kinerja yang signifikan.

Fokus pada keterampilan kunci untuk masa depan robotika humanoid.

Kemitraan ini berfokus pada pengembangan dan peningkatan kemampuan-kemampuan kunci yang sangat penting untuk penggunaan praktis robot humanoid di lingkungan dunia nyata:

Peningkatan kemampuan mengendalikan lokomotif: Menangani objek saat bergerak

Atlas harus mampu memanipulasi objek dan perangkat seperti pintu, sakelar, tuas, perkakas, dan barang-barang lainnya sambil bergerak. Kemampuan ini sangat penting untuk berbagai aplikasi, mulai dari otomatisasi industri dan logistik hingga operasi pencarian dan penyelamatan. Bayangkan Atlas menavigasi medan yang sulit sambil membersihkan puing-puing atau mengoperasikan perkakas untuk memperbaiki struktur yang rusak.

Peningkatan kemampuan lokomanipulasi membutuhkan pengembangan algoritma yang mengkoordinasikan perencanaan gerak, perencanaan genggaman, dan kontrol gaya secara real-time. Atlas harus mampu menyesuaikan gerakan dan manipulasinya dengan bentuk, ukuran, berat, dan tekstur objek yang dimanipulasinya. Lebih jauh lagi, ia harus mampu menangani ketidakpastian dalam persepsi dan lingkungan, serta secara dinamis menyesuaikan rencana dan gerakannya. Pengembangan kemampuan ini akan menjadikan Atlas alat yang jauh lebih serbaguna dan bermanfaat untuk berbagai aplikasi.

Strategi kontak seluruh tubuh: Gerakan kompleks dan beban berat

Para peneliti berfokus pada pengembangan gerakan seluruh tubuh yang canggih yang melampaui sekadar berjalan dan menggenggam. Ini termasuk berlari dinamis, melompat, memanjat, mengangkat dan membawa benda berat, serta manipulasi di ruang terbatas. Kemampuan ini membutuhkan koordinasi yang erat antara lengan, kaki, dan badan, memanfaatkan sinergi seluruh tubuh untuk menyelesaikan tugas-tugas kompleks.

Gerakan berjalan dan melompat yang dinamis memungkinkan Atlas untuk bergerak cepat dan efisien melintasi medan yang tidak rata dan melewati rintangan. Kemampuan memanjat memperluas jangkauannya dan memungkinkan akses ke area yang sulit dijangkau. Mengangkat dan membawa benda-benda berat menjadikannya alat yang berharga dalam bidang logistik dan konstruksi. Manipulasi di ruang terbatas memungkinkannya untuk digunakan di lingkungan yang sulit atau berbahaya untuk diakses manusia. Pengembangan strategi kontak seluruh tubuh merupakan langkah penting menuju realisasi potensi penuh dari faktor bentuk humanoid dan menjadikan Atlas robot yang benar-benar lincah dan mumpuni.

Implementasi praktis dan pemantauan kemajuan berkelanjutan.

Kemitraan antara Boston Dynamics dan RAI Institute sangat menekankan pada implementasi yang transparan dan berorientasi pada praktik dari pekerjaan penelitian dan pengembangan mereka:

Laporan kemajuan dan demonstrasi berkala

Boston Dynamics dan RAI Institute telah berkomitmen untuk secara berkala menerbitkan laporan kemajuan yang mendokumentasikan perkembangan dan pencapaian terbaru dari kolaborasi mereka. Laporan ini tidak hanya mencakup deskripsi tertulis tentang kemajuan, tetapi juga demonstrasi ilustratif menggunakan Atlas, yang menampilkan keterampilan yang baru diperoleh dalam praktik. Demonstrasi ini akan dirilis sebagai video dan presentasi dan tersedia untuk komunitas ilmiah dan masyarakat umum.

Pembaruan dan demonstrasi berkala ini memiliki beberapa tujuan. Pertama, memungkinkan komunitas ilmiah untuk melacak kemajuan dalam robotika humanoid dan saling menginspirasi. Kedua, mendorong transparansi dan kepercayaan dalam penelitian robotika serta membantu meningkatkan penerimaan publik terhadap teknologi ini. Selanjutnya, hal ini memberi Boston Dynamics dan RAI Institute kesempatan untuk menerima umpan balik dari komunitas dan menyesuaikan arah penelitian mereka sesuai dengan masukan tersebut.

Lokasi kerja sama: Massachusetts, Amerika Serikat

Semua pekerjaan penelitian dan pengembangan dalam kemitraan ini berlangsung di Massachusetts, tempat kedua organisasi tersebut bermarkas. Kedekatan geografis ini mendorong kolaborasi erat dan pertukaran langsung antara tim peneliti. Tim Boston Dynamics dan RAI Institute bekerja di laboratorium bersama dan memanfaatkan sumber daya serta infrastruktur dari kedua organisasi. Integrasi erat antara tim dan sumber daya ini merupakan faktor penting dalam keberhasilan kemitraan, memungkinkan pemanfaatan sinergi dan kemajuan penelitian dan pengembangan yang efisien.

Kemampuan Baru yang Diharapkan dari Atlas: Menatap Masa Depan Robotika Humanoid

Melalui kemitraan antara Boston Dynamics dan RAI Institute, robot Atlas diharapkan memperoleh berbagai kemampuan baru yang inovatif yang akan menjadikannya alat yang lebih serbaguna dan bermanfaat:

Peningkatan mobilitas dan manipulasi: Kelincahan dan presisi dalam gerakan.

Gerakan dinamis

Atlas akan mampu bergerak lebih stabil dan lancar di medan yang tidak rata, di lingkungan yang kompleks, dan bahkan dalam skenario dinamis. Ini termasuk berjalan, melompat, mendaki, dan kemampuan untuk beradaptasi dengan berbagai permukaan dan kondisi secara real-time. Pergerakan dinamis dimungkinkan oleh algoritma kontrol canggih dan penggabungan data sensor, yang memungkinkan Atlas untuk menjaga keseimbangannya, mengatasi rintangan, dan menyesuaikan gerakannya dengan situasi tertentu.

Manipulasi seluruh tubuh

Robot ini akan menerapkan strategi kontak seluruh tubuh tingkat lanjut untuk mengangkat, membawa, memindahkan, dan memanipulasi benda-benda berat secara tepat dan efisien. Hal ini membutuhkan koordinasi lengan, kaki, dan badan yang sangat berkembang untuk menstabilkan berat, menjaga keseimbangan, dan menangani benda-benda dengan aman. Manipulasi seluruh tubuh akan memungkinkan Atlas untuk melakukan tugas-tugas yang sebelumnya hanya dapat dilakukan oleh manusia, seperti memindahkan beban berat di gudang, di lokasi konstruksi, atau di zona bencana.

Interaksi lingkungan yang ditingkatkan: Interaksi cerdas dengan dunia

Manipulasi objek

Atlas akan belajar memanipulasi berbagai objek dan perangkat di lingkungannya, termasuk pintu, sakelar, tuas, katup, perkakas, wadah, dan banyak lagi. Kemampuan ini akan memungkinkannya untuk beroperasi di lingkungan manusia dan melakukan tugas-tugas yang membutuhkan interaksi dengan infrastruktur yang ada. Manipulasi objek membutuhkan keterampilan persepsi tingkat lanjut untuk mendeteksi, menemukan, dan mengidentifikasi objek, serta strategi menggenggam dan memanipulasi yang canggih untuk menanganinya dengan aman dan efisien.

Kemampuan beradaptasi terhadap material dan struktur.

Robot ini akan mampu secara otomatis dan cerdas menyesuaikan gaya, kecepatan, dan gerakannya terhadap berbagai material dan struktur tanpa merusak atau menghancurkannya. Hal ini sangat penting untuk interaksi yang aman dan andal di dunia nyata, di mana robot akan menghadapi berbagai macam permukaan, material, dan objek. Kemampuan adaptasi ini dicapai melalui penggunaan sensor gaya dan torsi, sensor taktil, dan algoritma kontrol canggih, yang memungkinkan Atlas untuk memantau dan menyesuaikan interaksinya secara real-time.

Kemampuan belajar dan generalisasi: Landasan bagi inovasi masa depan

Pembelajaran yang lebih efisien melalui pembelajaran penguatan (reinforcement learning):

Dengan menerapkan teknik pembelajaran penguatan tingkat lanjut, Atlas akan mampu mempelajari keterampilan baru secara signifikan lebih cepat dan efisien daripada sebelumnya. Ini termasuk mengembangkan algoritma yang mempercepat pembelajaran dan memproses data.