Diterbitkan pada: 25 Februari 2025 / Pembaruan dari: 25 Februari 2025 - Penulis: Konrad Wolfenstein
Dari tersandung ke jungkir balik dalam robotika: ai-upgrade mendefinisikan image keterampilan humanoid: xpert.digital
Masa Depan Humanoids: Atlas adalah melalui pembelajaran penguatan yang lebih cerdas
Kemitraan Strategis: Boston Dynamics mengoptimalkan atlas untuk aplikasi nyata
Dalam sebuah pengumuman, Boston Dynamics, seorang pelopor di bidang robot dinamis, dan Institut Robotika & AI (RAI Institute), sebuah lembaga penelitian di bawah arahan pakar robot terkenal dan mantan CEO Boston Dynamics, Marc Raibert, mengumumkan a Kemitraan Strategis. Tujuan yang dinyatakan dari kerja sama ini, yang secara resmi menemukan awalnya pada bulan Februari 2025, adalah peningkatan signifikan dari keterampilan atlas robot humanoid canggih dengan menggunakan pembelajaran penguatan (penguatan pembelajaran). Kerja sama ini menjanjikan tidak hanya untuk membuat Atlas lebih fleksibel dan gesit, tetapi juga untuk memenuhi syarat untuk spektrum aplikasi nyata yang lebih luas dan dengan demikian membuka jalan bagi era baru robotika humanoid.
Cocok untuk:
Target inti kerjasama berorientasi masa depan
Kemitraan antara Boston Dynamics dan RAI Institute berfokus pada sejumlah tujuan ambisius yang bertujuan untuk mengubah keterampilan mendasar atlas dan mengembangkannya dari demonstran penelitian yang mengesankan menjadi alat yang bervariasi dan praktis. Di tengah upaya ini adalah tiga bidang utama:
Menjembatani kesenjangan sim-to-real: jalan dari simulasi ke kenyataan
Salah satu tantangan terbesar dalam robotika, terutama di bidang pembelajaran penguatan, adalah transfer keterampilan yang dipelajari dalam simulasi ke dunia nyata. Simulasi menawarkan lingkungan yang ideal untuk pelatihan robot karena mereka memungkinkan jumlah data yang tidak terbatas, kontrol penuh atas lingkungan dan kemungkinan mensimulasikan skenario berbahaya atau intensif biaya dengan risiko -bebas. Robot dapat melakukan iterasi gerakan dan tugas yang tak terhitung jumlahnya di dunia virtual tanpa risiko kerusakan atau cedera.
Kenyataannya, di sisi lain, jauh lebih kompleks dan tidak dapat diprediksi. Robot fisik beroperasi di dunia yang penuh dengan noise sensorik, gangguan yang tidak terduga, ketidakakuratan dalam pemodelan dan tantangan konstan variabilitas. Apa yang berhasil dalam simulasi yang dikendalikan dengan sempurna dapat gagal dalam realitas kacau. "Sim-to-real-Lücke" menggambarkan dengan tepat perbedaan ini.
Kemitraan antara Boston Dynamics dan RAI Institute telah menetapkan tujuan untuk menutup celah ini menggunakan metode dan algoritma inovatif. Para peneliti sedang berupaya mengembangkan gerakan yang kuat dan dapat digeneralisasikan yang bekerja dengan andal tidak hanya dalam simulasi, tetapi juga di dunia nyata. Ini termasuk pengembangan lingkungan simulasi canggih yang memetakan realitas fisik secara lebih tepat, serta penggunaan teknik seperti pengacakan domain dan simulasi adaptif untuk membuat model dilatih dalam simulasi lebih resisten terhadap barang yang dapat dibatalkan dari dunia nyata. Keberhasilan di bidang ini sangat penting untuk mengeksploitasi potensi penuh pembelajaran penguatan untuk robotika dan menggunakan robot di lingkungan yang nyata dan tidak terstruktur.
Peningkatan manipulasi loco: seni gerakan dan interaksi
Kemampuan untuk menemukan manipulasi loco, yaitu transportasi simultan dan manipulasi objek, adalah kemampuan kunci untuk robot yang harus bertindak dalam lingkungan yang kompleks dan dinamis. Bayangkan robot humanoid yang bergerak melalui gudang untuk memilih paket, atau robot yang menghilangkan puing -puing di zona bencana dan pada saat yang sama mencari yang selamat. Dalam semua skenario ini, sangat penting bahwa robot tidak hanya bergerak secara efisien, tetapi juga dapat berinteraksi dengan lingkungannya pada saat yang sama.
Namun, pengembangan strategi manipulasi Loko canggih adalah tantangan yang sangat besar. Ini membutuhkan koordinasi yang erat antara perencanaan gerakan, perencanaan kereta api, perencanaan yang mencekam dan tingkat kekuatan. Robot harus dapat menyesuaikan gerakan dan manipulasi dengan kondisi lingkungannya yang terus berubah secara real time.
Sebagai bagian dari kemitraan, para peneliti akan mengembangkan strategi baru dan inovatif untuk meningkatkan keterampilan manipulasi Atlas Loco ke tingkat yang baru. Ini termasuk meneliti algoritma untuk perencanaan simultan dan perencanaan yang mencengkeram, pengembangan strategi pengendalian daya yang kuat untuk manipulasi berbagai objek dan integrasi informasi sensorik ke dalam loop kontrol untuk memungkinkan reaksi yang cepat dan manipulasi loco adaptif. Peningkatan manipulasi loco adalah langkah penting untuk menjadikan Atlas alat yang sangat fleksibel dan berguna untuk berbagai aplikasi.
Penelitian tentang strategi kontak seluruh tubuh: Sinergi miskin 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 ini, termasuk lengan, kaki dan badan pesawat, ke dalam gerakan dan tugas yang kompleks, membuka peluang baru untuk robotika. Strategi kontak all-body melampaui manipulasi sederhana dengan lengan dan menggunakan sinergi antara lengan dan kaki untuk memungkinkan gerakan dan tugas berkinerja tinggi.
Pikirkan seseorang yang membawa benda berat. Dia tidak hanya menggunakan lengannya, tetapi juga kakinya, badan pesawat dan seluruh tubuhnya untuk menstabilkan berat badan, untuk menjaga keseimbangan dan mengangkut objek secara efisien. Demikian pula, robot humanoid harus dapat menggunakan seluruh tubuh mereka untuk mengelola tugas kompleks yang membutuhkan koordinasi yang erat antara lengan dan kaki.
Para peneliti fokus pada pengembangan algoritma peraturan canggih dan strategi perencanaan untuk pergerakan dan tugas seluruh tubuh berkinerja tinggi. Ini termasuk area seperti berlari dinamis, melompat, memanjat, mengangkat dan membawa benda -benda berat, manipulasi di kamar sempit dan interaksi dengan lingkungan yang kompleks. Penelitian strategi kontak seluruh tubuh sangat penting untuk mengeksploitasi potensi penuh dari faktor bentuk humanoid dan mengembangkan robot yang dapat bergerak dan berinteraksi di dunia dengan cara yang alami dan intuitif.
Pentingnya kerja sama terarah ini
Kemitraan antara Boston Dynamics dan RAI Institute sangat penting untuk komunitas riset robotika dan AI karena beberapa alasan. Pertama, ia menggabungkan dua organisasi terkemuka di bidang robotika, masing -masing dengan kekuatan dan keterampilan yang unik. Boston Dynamics dikenal di seluruh dunia karena platform robotnya yang mengesankan dan dinamis seperti Atlas, Spot, Handle and Stretch. Institut RAI di bawah arahan Marc Raibert membawa pengalaman puluhan tahun dalam pengembangan teknologi top untuk mesin cerdas dan dalam penggunaan pembelajaran penguatan untuk masalah robotika yang kompleks.
Marc Raiber, pendiri Rai Institute, adalah ikon robotika. Sebagai mantan CEO Boston Dynamics, ia telah secara signifikan membentuk pengembangan perusahaan dan menghasilkan beberapa robot paling mengesankan di dunia. Penelitian robotika telah memiliki dampak abadi pada visinya tentang robot, yang dapat bergerak lebih pintar dan serbaguna di dunia nyata seperti manusia dan hewan. Dengan pendirian Rai Institute, Raiber melanjutkan misinya untuk memperluas batas yang mungkin dalam robotika dan AI.
Kolaborasi ini didasarkan pada dasar yang solid dari proyek -proyek bersama sebelumnya, termasuk "kit peneliti pembelajaran penguatan" untuk tempat robot empat kaki. Kit ini memungkinkan para peneliti di seluruh dunia untuk mengembangkan dan menguji algoritma pembelajaran penguatan di platform spot. Keberhasilan pengembangan dan implementasi kit ini telah menunjukkan bahwa kedua organisasi dapat bekerja bersama secara efektif dan mengembangkan solusi inovatif di bidang pembelajaran re -penegak untuk robotika.
Dengan menggunakan penguatan pembelajaran ke Atlas, salah satu robot humanoid paling canggih dan kuat di dunia, mitra mengharapkan kemajuan yang signifikan dalam pengembangan keterampilan humanoid. Pembelajaran penguatan menawarkan potensi untuk melatih robot, untuk mengelola tugas -tugas kompleks yang akan sulit diimplementasikan dengan pendekatan pemrograman tradisional. Ini memungkinkan robot untuk belajar melalui interaksi dengan lingkungan mereka, untuk beradaptasi dan terus meningkatkan keterampilan mereka.
Boston Dynamics dan Rai Institute telah melakukan untuk menerbitkan pembaruan rutin dan demonstrasi pekerjaan mereka dengan Atlas untuk membuat kemajuan dalam robotika humanoid yang dapat diakses oleh masyarakat umum. Transparansi ini penting untuk memperkuat kepercayaan pada robotika dan penelitian AI dan untuk mempromosikan penerimaan sosial untuk teknologi ini. Publikasi yang direncanakan tidak hanya akan menginformasikan komunitas ilmiah, tetapi juga menginspirasi publik untuk kemungkinan yang menarik dan tantangan robotika humanoid.
Penelitian dan pengembangan bersama secara rinci
Kerja sama antara Boston Dynamics dan RAI Institute dibagi menjadi beberapa bidang inti penelitian dan pengembangan, yang saling terkait erat dan saling melengkapi:
Pengembangan Pipa Pelatihan Pembelajaran yang Diikuti Ulang Umum untuk Atlas
Di pusat kemitraan adalah pengembangan pipa pelatihan pembelajaran penguatan canggih, yang secara khusus disesuaikan dengan kebutuhan dan keterampilan Atlas. Pipa ini akan membentuk dasar untuk pelatihan perilaku dinamis dan umum untuk manipulasi seluler. Ini mencakup semua langkah proses pembelajaran penguatan, dari definisi fungsi hadiah dan pemilihan algoritma yang sesuai hingga pengembangan lingkungan simulasi dan akuisisi data ke validasi dan transfer perilaku yang dipelajari pada robot nyata.
Pipa pelatihan akan modular untuk memastikan fleksibilitas dan kemampuan beradaptasi dengan berbagai tugas dan lingkungan. Ini akan mengintegrasikan teknik lanjutan pembelajaran penguatan, seperti pembelajaran penguatan yang mendalam, pembelajaran penguatan berbasis model dan pembelajaran penguatan multi-agen untuk memaksimalkan efisiensi dan kekokohan pelatihan. Fokus khusus adalah pengembangan fungsi penghargaan yang memungkinkan Atlas mempelajari tugas -tugas kompleks tanpa secara eksplisit menentukan setiap langkah. Fungsi hadiah dimaksudkan untuk memandu robot untuk mengembangkan gerakan dan interaksi yang efisien, alami dan seperti manusia.
Transfer Sim-to-Real: Jembatan Antara Dunia Virtual dan Nyata
Seperti yang telah disebutkan, transfer sim-to-real adalah salah satu tantangan terbesar dalam pembelajaran penguatan untuk robotika. Tim akan bekerja secara intensif untuk menjembatani kesenjangan antara simulasi dan dunia nyata dan memastikan bahwa perilaku yang dilatih dalam simulasi dapat berhasil dan andal ditransfer ke perangkat keras fisik.
Ini membutuhkan pendekatan multi -layer, yang mencakup peningkatan lingkungan simulasi dan pengembangan metode transfer yang kuat. Lingkungan simulasi terus meningkat untuk memetakan realitas fisik lebih tepat, termasuk pemodelan gesekan, kontak, inersia dan efek fisik lainnya. Pada saat yang sama, teknik -teknik seperti pengacakan domain, identifikasi sistem dan kontrol adaptif digunakan untuk membuat model dilatih dalam simulasi lebih resisten terhadap yang tidak dapat dimiliki dari dunia nyata. Tujuannya adalah untuk menciptakan transisi yang mulus dari simulasi ke kenyataan, sehingga atlas dapat menggunakan keterampilan yang dipelajari di dunia virtual tanpa kehilangan kinerja yang signifikan di lingkungan nyata.
Fokus pada keterampilan utama untuk masa depan robotika humanoid
Kemitraan ini berfokus pada pengembangan dan peningkatan keterampilan utama yang penting untuk penggunaan praktis robot humanoid di lingkungan nyata:
Manipulasi loco yang ditingkatkan: Tangani benda selama gerakan
Atlas harus dapat memanipulasi objek dan perangkat seperti pintu, sakelar, tuas, alat, dan objek lain sambil bergerak pada saat yang sama. Kemampuan ini sangat penting untuk berbagai aplikasi, dari otomatisasi industri hingga logistik hingga operasi pencarian dan penyelamatan. Bayangkan Atlas, yang bergerak melalui medan kasar dan pada saat yang sama menghilangkan puing -puing atau melayani alat untuk memperbaiki struktur yang rusak.
Manipulasi LOCO yang ditingkatkan membutuhkan pengembangan algoritma, yang mengoordinasikan perencanaan gerakan, perencanaan yang mencengkeram dan tingkat kekuatan dalam waktu nyata. Atlas harus dapat menyesuaikan gerakan dan manipulasi dengan bentuk, ukuran, berat dan sifat benda yang ia manipulasi. Selain itu, ia harus dapat menghadapi ketidakpastian dalam persepsi dan daerah sekitarnya dan untuk secara dinamis menyesuaikan rencana dan pergerakannya. Pengembangan keterampilan ini akan membuat Atlas menjadi alat yang jauh lebih fleksibel dan lebih berguna untuk berbagai aplikasi.
Strategi kontak seluruh tubuh: gerakan kompleks dan beban berat
Para peneliti fokus pada pengembangan menuntut gerakan tubuh penuh yang melampaui berjalan dan mencapai sederhana. Ini termasuk berlari dinamis, melompat, memanjat, mengangkat dan membawa benda -benda berat dan manipulasi di kamar yang sempit. Keterampilan ini membutuhkan koordinasi yang erat antara lengan, kaki dan badan pesawat dan menggunakan sinergi seluruh tubuh untuk mengelola tugas yang kompleks.
Berlari dan melompat dinamis memungkinkan atlas bergerak cepat dan efisien di medan yang tidak merata dan rintangan. Pendakian memperluas jangkauannya dan memungkinkan akses ke area yang sulit. Mengangkat dan mengenakan benda berat membuatnya menjadi penolong yang berharga dalam logistik dan konstruksi. Manipulasi di kamar sempit memungkinkan penggunaan di lingkungan yang sulit diakses atau berbahaya bagi manusia. Pengembangan strategi kontak seluruh tubuh adalah langkah penting untuk mengeksploitasi potensi penuh dari faktor bentuk humanoid dan menjadikan atlas robot yang benar-benar gesit dan kuat.
Implementasi Praktis dan Kontrol Kemajuan Berkelanjutan
Kemitraan antara Boston Dynamics dan RAI Institute sangat mementingkan implementasi yang transparan dan berorientasi praktik dari penelitian dan pengembangan Anda:
Laporan dan demonstrasi kemajuan reguler
Boston Dynamics dan Rai Institute telah melakukan untuk mempublikasikan laporan kemajuan secara berkala yang mendokumentasikan perkembangan terbaru dan keberhasilan kerja sama. Laporan -laporan ini tidak hanya akan mencakup deskripsi tertulis tentang kemajuan, tetapi juga demonstrasi yang jelas dengan Atlas, yang menunjukkan keterampilan yang baru diperoleh dalam tindakan. Demonstrasi ini diterbitkan dalam bentuk video dan presentasi dan dapat diakses oleh komunitas ilmiah dan masyarakat umum.
Pembaruan dan demonstrasi reguler melayani beberapa tujuan. Mereka memungkinkan komunitas ilmiah untuk mengejar kemajuan dalam robotika humanoid dan saling menginspirasi. Mereka mempromosikan transparansi dan kepercayaan dalam penelitian robotika dan membantu meningkatkan penerimaan sosial untuk teknologi ini. Selain itu, mereka menawarkan Boston Dynamics dan RAI Institute kesempatan untuk menerima umpan balik dari masyarakat dan menyesuaikan arahan penelitian mereka.
Lokasi Kerjasama: Massachusetts, AS
Seluruh pekerjaan penelitian dan pengembangan sebagai bagian dari kemitraan berlangsung di Massachusetts, di mana kedua organisasi memiliki kantor pusat mereka. Kedekatan spasial ini mempromosikan kerja sama yang erat dan pertukaran langsung antara tim peneliti. Tim dari Boston Dynamics dan RAI Institute bekerja di laboratorium umum dan menggunakan sumber daya dan infrastruktur kedua organisasi. Integrasi yang erat antara tim dan sumber daya ini merupakan faktor penting untuk keberhasilan kemitraan dan memungkinkan sinergi untuk digunakan dan secara efisien mempromosikan penelitian dan pekerjaan pengembangan.
Keterampilan baru yang diharapkan dari Atlas: Pandangan ke masa depan robotika humanoid
Karena kemitraan antara Boston Dynamics dan RAI Institute, robot Atlas dimaksudkan untuk mendapatkan sejumlah keterampilan baru yang inovatif yang akan menjadikannya alat yang bahkan lebih fleksibel dan bermanfaat:
Peningkatan mobilitas dan manipulasi: kelincahan dan presisi dalam gerakan
Gerakan Dinamis
Atlas harus dapat bergerak lebih stabil dan cair di medan yang tidak rata, di lingkungan yang kompleks dan bahkan dalam skenario dinamis. Ini termasuk berlari, melompat, memanjat, dan kemampuan untuk beradaptasi dengan permukaan dan kondisi yang berbeda secara real time. Gerakan dinamis dimungkinkan oleh algoritma regulasi canggih dan fusi data sensor yang memungkinkan atlas menjaga keseimbangan, mengatasi hambatan dan menyesuaikan pergerakannya dengan situasi masing -masing.
Manipulasi tubuh penuh
Robot akan menerapkan strategi canggih untuk kontak penuh untuk dapat menggunakan, membawa, memindahkan, dan memanipulasi objek berat secara tepat dan efisien. Ini membutuhkan koordinasi lengan, kaki, dan badan pesawat yang sangat berkembang untuk menstabilkan berat, untuk menjaga keseimbangan dan untuk menangani benda -benda dengan aman. Manipulasi seluruh tubuh akan memungkinkan Atlas untuk mengambil tugas yang sebelumnya hanya disediakan untuk orang, seperti memindahkan beban berat di gudang, di lokasi konstruksi atau di zona bencana.
Interaksi Lingkungan Tingkat Lanjut: Interaksi Cerdas dengan Dunia
Manipulasi objek
Atlas harus belajar memanipulasi berbagai benda dan perangkat di areanya, termasuk pintu, sakelar, tuas, katup, alat, wadah, dan banyak lagi. Kemampuan ini akan memungkinkannya untuk bertindak di lingkungan manusia dan melakukan tugas yang membutuhkan interaksi dengan infrastruktur yang ada. Manipulasi objek membutuhkan keterampilan persepsi lanjutan untuk mengenali, menemukan dan mengidentifikasi objek, serta strategi mencekam dan manipulasi yang canggih untuk menanganinya dengan aman dan efisien.
Beradaptasi dengan bahan dan struktur
Robot akan dapat secara otomatis dan cerdas menyesuaikan kekuatan, kecepatan, dan gerakannya ke berbagai bahan dan struktur tanpa merusak atau menghancurkannya. Ini sangat penting untuk interaksi yang aman dan andal dengan dunia nyata, di mana robot akan menemukan berbagai permukaan, bahan, dan objek. Kemampuan beradaptasi dicapai melalui penggunaan sensor kekuatan dan torsi, sensor sentuhan dan algoritma pengatur lanjutan yang memungkinkan atlas untuk memantau dan menyesuaikan interaksinya secara real time.
Kemampuan Belajar dan Generalisasi: Dasar untuk Inovasi Masa Depan
Pembelajaran yang lebih efisien melalui pembelajaran penguatan:
Penggunaan teknik pembelajaran purforcement canggih dimaksudkan untuk memungkinkan atlas untuk mempelajari keterampilan baru lebih cepat dan lebih efisien dari sebelumnya. Ini termasuk pengembangan algoritma yang mempercepat pembelajaran, data
Cocok untuk:
Mitra pemasaran global dan pengembangan bisnis Anda
☑️ Bahasa bisnis kami adalah Inggris atau Jerman
☑️ BARU: Korespondensi dalam bahasa nasional Anda!
Konrad Wolfenstein
Saya akan dengan senang hati melayani Anda dan tim saya sebagai penasihat pribadi.
Anda dapat menghubungi saya dengan mengisi formulir kontak atau cukup hubungi saya di +49 89 89 674 804 (Munich) . Alamat email saya adalah: wolfenstein ∂ xpert.digital
Saya menantikan proyek bersama kita.