Gepubliceerd op: 25 februari 2025 / Bijgewerkt op: 25 februari 2025 – Auteur: Konrad Wolfenstein
Van struikelpartijen tot salto's in de robotica: AI-upgrade herdefinieert de mogelijkheden van humanoïde robots – Afbeelding: Xpert.Digital
De toekomst van humanoïden: Atlas wordt slimmer dankzij reinforcement learning
Strategisch partnerschap: Boston Dynamics optimaliseert Atlas voor praktijktoepassingen
In een aankondiging hebben Boston Dynamics, een pionier op het gebied van dynamische robotica, en het Robotics & AI Institute (RAI Institute), een onderzoeksinstituut onder leiding van de gerenommeerde robotica-expert en voormalig CEO van Boston Dynamics, Marc Raibert, een strategisch partnerschap bekendgemaakt. Het doel van deze samenwerking, die officieel van start gaat in februari 2025, is om de mogelijkheden van de geavanceerde humanoïde robot Atlas aanzienlijk te verbeteren door middel van reinforcement learning. Deze samenwerking belooft Atlas niet alleen flexibeler en wendbaarder te maken, maar ook geschikt te maken voor een breder scala aan toepassingen in de praktijk, waarmee de weg wordt vrijgemaakt voor een nieuw tijdperk van humanoïde robotica.
Geschikt hiervoor:
Belangrijkste doelstellingen van de toekomstgerichte samenwerking
De samenwerking tussen Boston Dynamics en het RAI Institute richt zich op een aantal ambitieuze doelen die erop gericht zijn de fundamentele mogelijkheden van Atlas te transformeren en het te laten evolueren van een indrukwekkende onderzoeksdemonstrator naar een veelzijdig en praktisch hulpmiddel. Deze inspanningen concentreren zich op drie hoofdgebieden:
De kloof tussen simulatie en realiteit overbruggen: de weg van simulatie naar realiteit
Een van de grootste uitdagingen in de robotica, met name op het gebied van reinforcement learning, is het overdragen van vaardigheden die in simulaties zijn aangeleerd naar de echte wereld. Simulaties bieden een ideale omgeving voor het trainen van robots, omdat ze onbeperkte data, volledige controle over de omgeving en de mogelijkheid bieden om gevaarlijke of kostbare scenario's zonder risico te simuleren. Robots kunnen talloze herhalingen van bewegingen en taken uitvoeren in virtuele werelden zonder het risico op schade of letsel.
De realiteit is echter veel complexer en onvoorspelbaarder. Fysieke robots opereren in een wereld vol sensorische ruis, onvoorziene verstoringen, onnauwkeurigheden in de modellering en de constante uitdaging van variabiliteit. Wat werkt in een perfect gecontroleerde simulatie, kan falen in de chaotische realiteit. De "kloof tussen simulatie en realiteit" beschrijft precies deze discrepantie.
De samenwerking tussen Boston Dynamics en het RAI Institute is erop gericht deze kloof te dichten door middel van innovatieve methoden en algoritmen. Onderzoekers werken aan de ontwikkeling van robuuste en generaliseerbare bewegingssequenties die betrouwbaar functioneren, niet alleen in simulaties, maar ook in de echte wereld. Dit omvat de ontwikkeling van geavanceerde simulatieomgevingen die de fysieke realiteit nauwkeuriger weerspiegelen, evenals het gebruik van technieken zoals domeinrandomisatie en adaptieve simulatie om de in simulaties getrainde modellen beter bestand te maken tegen de onvoorspelbaarheid van de echte wereld. Succes op dit gebied is cruciaal om het volledige potentieel van reinforcement learning voor robotica te ontsluiten en robots in te zetten in reële, ongestructureerde omgevingen.
Verbetering van de motorische vaardigheden: De kunst van beweging en interactie
Het vermogen om tegelijkertijd te bewegen en objecten te manipuleren – dat wil zeggen, objecten te verplaatsen én te manipuleren – is een cruciale eigenschap voor robots die in complexe en dynamische omgevingen moeten opereren. Stel je een humanoïde robot voor die door een magazijn beweegt om pakketten te verzamelen, of een robot die puin ruimt in een rampgebied en tegelijkertijd naar overlevenden zoekt. In al deze scenario's is het essentieel dat de robot niet alleen efficiënt kan bewegen, maar ook tegelijkertijd met zijn omgeving kan interageren.
Het ontwikkelen van geavanceerde bewegings- en manipulatiestrategieën is echter een enorme uitdaging. Het vereist nauwe coördinatie tussen bewegingsplanning, padplanning, grijpplanning en krachtregeling. De robot moet zijn bewegingen en manipulaties in realtime kunnen aanpassen aan de voortdurend veranderende omstandigheden in zijn omgeving.
Als onderdeel van de samenwerking zullen onderzoekers nieuwe en innovatieve strategieën ontwikkelen om de loco-manipulatiemogelijkheden van Atlas naar een hoger niveau te tillen. Dit omvat het verkennen van algoritmen voor gelijktijdige bewegings- en grijpplanning, het ontwikkelen van robuuste krachtcontrolestrategieën voor het manipuleren van diverse objecten en het integreren van sensorinformatie in de regelkring om responsieve en adaptieve loco-manipulatie mogelijk te maken. Het verbeteren van de loco-manipulatie is een cruciale stap om van Atlas een werkelijk veelzijdig en nuttig instrument te maken voor een breed scala aan toepassingen.
Strategieën voor contact met het hele lichaam verkennen: de synergie van armen en benen
Mensachtige robots zoals Atlas hebben het unieke potentieel om te bewegen en te interageren op manieren die sterk lijken op menselijke bewegingen. Dit vermogen om het hele lichaam, inclusief armen, benen en romp, te integreren in complexe bewegingen en taken opent geheel nieuwe mogelijkheden voor robotica. Strategieën voor contact met het hele lichaam gaan verder dan eenvoudige armmanipulatie en benutten de synergie tussen armen en benen om hoogwaardige bewegingen en taken mogelijk te maken.
Stel je voor dat iemand een zwaar voorwerp draagt. Die persoon gebruikt niet alleen zijn armen, maar ook zijn benen, romp en hele lichaam om het gewicht te stabiliseren, het evenwicht te bewaren en het voorwerp efficiënt te verplaatsen. Op dezelfde manier zouden humanoïde robots hun hele lichaam moeten kunnen gebruiken om complexe taken uit te voeren die een nauwe coördinatie tussen armen en benen vereisen.
De onderzoekers richten zich op de ontwikkeling van geavanceerde besturingsalgoritmen en planningsstrategieën voor hoogwaardige bewegingen en taken met het hele lichaam. Dit omvat gebieden zoals dynamisch lopen, springen, klimmen, het tillen en dragen van zware objecten, manipulatie in krappe ruimtes en interactie met complexe omgevingen. Onderzoek naar contactstrategieën met het hele lichaam is cruciaal om het volledige potentieel van de humanoïde vormfactor te benutten en robots te ontwikkelen die op een natuurlijke en intuïtieve manier in de wereld kunnen bewegen en interageren.
De betekenis van deze baanbrekende samenwerking
De samenwerking tussen Boston Dynamics en het RAI Institute is om verschillende redenen van enorm belang voor de robotica- en AI-onderzoeksgemeenschap. Ten eerste verenigt het twee toonaangevende organisaties op het gebied van robotica, elk met unieke sterke punten en expertise. Boston Dynamics staat wereldwijd bekend om zijn indrukwekkende en dynamische robotplatforms zoals Atlas, Spot, Handle en Stretch. Het RAI Institute, onder leiding van Marc Raibert, brengt tientallen jaren ervaring mee in het ontwikkelen van geavanceerde technologieën voor intelligente machines en in het toepassen van reinforcement learning op complexe robotica-problemen.
Marc Raibert, de oprichter van het RAI Institute, is een icoon in de robotica. Als voormalig CEO van Boston Dynamics heeft hij de ontwikkeling van het bedrijf aanzienlijk vormgegeven en enkele van 's werelds meest indrukwekkende robots gecreëerd. Zijn visie op robots die zich in de echte wereld met dezelfde vaardigheid en veelzijdigheid als mensen en dieren kunnen bewegen, heeft een diepgaande invloed gehad op robotica-onderzoek. Met de oprichting van het RAI Institute zet Raibert zijn missie voort om de grenzen van wat mogelijk is in robotica en AI te verleggen.
De samenwerking bouwt voort op een solide basis van eerdere gezamenlijke projecten, waaronder de "Reinforcement Learning Researcher Kit" voor de vierpotige robot Spot. Deze kit stelt onderzoekers wereldwijd in staat om reinforcement learning-algoritmen te ontwikkelen en te testen op het Spot-platform. De succesvolle ontwikkeling en implementatie van deze kit heeft aangetoond dat beide organisaties effectief kunnen samenwerken en innovatieve oplossingen kunnen ontwikkelen op het gebied van reinforcement learning voor robotica.
Door versterkingsleren toe te passen op Atlas, een van 's werelds meest geavanceerde en capabele humanoïde robots, verwachten de partners aanzienlijke vooruitgang in de ontwikkeling van humanoïde capaciteiten. Versterkingsleren biedt de mogelijkheid om robots te trainen voor complexe taken die met traditionele programmeermethoden moeilijk te realiseren zouden zijn. Het stelt robots in staat om te leren, zich aan te passen en hun vaardigheden continu te verbeteren door interactie met hun omgeving.
Boston Dynamics en het RAI Institute hebben zich ertoe verbonden regelmatig updates en demonstraties van hun werk met Atlas te publiceren om de vooruitgang in humanoïde robotica toegankelijk te maken voor een breder publiek. Deze transparantie is cruciaal voor het opbouwen van vertrouwen in robotica- en AI-onderzoek en het bevorderen van de acceptatie van deze technologieën door het publiek. De geplande publicaties zullen niet alleen de wetenschappelijke gemeenschap informeren, maar ook het publiek inspireren met de fascinerende mogelijkheden en uitdagingen van humanoïde robotica.
Gezamenlijk onderzoek en ontwikkeling in detail
De samenwerking tussen Boston Dynamics en het RAI Institute is onderverdeeld in verschillende kerngebieden van onderzoek en ontwikkeling die nauw met elkaar verbonden zijn en elkaar aanvullen:
Ontwikkeling van een gedeelde trainingspipeline voor reinforcement learning voor Atlas
De kern van de samenwerking is de ontwikkeling van een geavanceerde trainingspipeline voor reinforcement learning, specifiek afgestemd op de behoeften en mogelijkheden van Atlas. Deze pipeline vormt de basis voor het trainen van dynamisch en generaliseerbaar gedrag voor mobiele manipulatie. Het omvat alle stappen van het reinforcement learning-proces, van het definiëren van beloningsfuncties en het selecteren van geschikte algoritmen, via het ontwikkelen van simulatieomgevingen en dataverzameling, tot het valideren en overdragen van het aangeleerde gedrag naar de daadwerkelijke robot.
De trainingspipeline zal modulair zijn om flexibiliteit en aanpasbaarheid aan verschillende taken en omgevingen te garanderen. Geavanceerde technieken voor reinforcement learning, zoals deep reinforcement learning, model-based reinforcement learning en multi-agent reinforcement learning, zullen worden geïntegreerd om de trainingsefficiëntie en robuustheid te maximaliseren. Er zal met name aandacht worden besteed aan de ontwikkeling van beloningsfuncties die Atlas in staat stellen complexe taken te leren zonder dat elke stap expliciet hoeft te worden gedefinieerd. Deze beloningsfuncties zullen de robot begeleiden bij het ontwikkelen van efficiënte, natuurlijke en mensachtige bewegingen en interacties.
Simulatie-naar-realiteit-overdracht: de brug tussen de virtuele en de echte wereld
Zoals eerder vermeld, is de overdracht van simulatie naar de echte wereld een van de grootste uitdagingen in reinforcement learning voor robotica. De teams zullen intensief werken om de kloof tussen simulaties en de echte wereld te overbruggen en ervoor te zorgen dat het in simulaties getrainde gedrag succesvol en betrouwbaar kan worden overgedragen naar de fysieke hardware.
Dit vereist een gelaagde aanpak die zowel het verbeteren van simulatieomgevingen als het ontwikkelen van robuuste overdrachtsmethoden omvat. De simulatieomgevingen worden continu verbeterd om de fysieke realiteit nauwkeuriger weer te geven, inclusief het modelleren van wrijving, contact, inertie en andere fysieke effecten. Tegelijkertijd worden technieken zoals domeinrandomisatie, systeemidentificatie en adaptieve besturing gebruikt om de in simulaties getrainde modellen beter bestand te maken tegen de onzekerheden van de echte wereld. Het doel is een naadloze overgang van simulatie naar realiteit te creëren, waardoor Atlas de in de virtuele wereld geleerde vaardigheden kan toepassen in de echte wereld zonder significante prestatievermindering.
Focus op essentiële vaardigheden voor de toekomst van humanoïde robotica
Het partnerschap richt zich op het ontwikkelen en verbeteren van essentiële vaardigheden die nodig zijn voor het praktische gebruik van humanoïde robots in de praktijk:
Verbeterde bediening van de locomotief: objecten hanteren tijdens het bewegen
Atlas moet in staat zijn om objecten en apparaten zoals deuren, schakelaars, hendels, gereedschap en andere voorwerpen te manipuleren terwijl hij zich verplaatst. Deze mogelijkheid is cruciaal voor een breed scala aan toepassingen, van industriële automatisering en logistiek tot zoek- en reddingsoperaties. Stel je voor dat Atlas door ruig terrein navigeert en tegelijkertijd puin ruimt of gereedschap bedient om een beschadigde structuur te repareren.
Verbeterde voortbeweging en manipulatie vereisen de ontwikkeling van algoritmen die bewegingsplanning, grijpplanning en krachtcontrole in realtime coördineren. Atlas moet zijn bewegingen en manipulaties kunnen aanpassen aan de vorm, grootte, het gewicht en de textuur van de objecten die het manipuleert. Bovendien moet het in staat zijn om onzekerheden in de waarneming en de omgeving op te vangen en zijn plannen en bewegingen dynamisch aan te passen. De ontwikkeling van deze mogelijkheden zal Atlas een veelzijdiger en nuttiger hulpmiddel maken voor een breed scala aan toepassingen.
Strategieën voor contact met het hele lichaam: complexe bewegingen en zware lasten
De onderzoekers richten zich op de ontwikkeling van geavanceerde bewegingen van het hele lichaam die verder gaan dan simpel lopen en grijpen. Denk hierbij aan dynamisch rennen, springen, klimmen, het tillen en dragen van zware voorwerpen en manoeuvreren in krappe ruimtes. Deze vaardigheden vereisen een nauwe coördinatie tussen armen, benen en romp, waarbij de synergie van het hele lichaam wordt benut om complexe taken uit te voeren.
Dynamisch lopen en springen stellen Atlas in staat zich snel en efficiënt over oneffen terrein en obstakels te bewegen. Klimmen vergroot zijn bereik en geeft hem toegang tot moeilijk bereikbare gebieden. Het tillen en dragen van zware objecten maakt hem een waardevol hulpmiddel in de logistiek en de bouw. Manipulatie in krappe ruimtes maakt hem inzetbaar in omgevingen die moeilijk of gevaarlijk zijn voor mensen. De ontwikkeling van contactstrategieën met het hele lichaam is een cruciale stap om het volledige potentieel van de humanoïde vormfactor te benutten en van Atlas een werkelijk wendbare en capabele robot te maken.
Praktische implementatie en continue voortgangsbewaking
De samenwerking tussen Boston Dynamics en het RAI Institute legt grote nadruk op een transparante en praktijkgerichte uitvoering van hun onderzoeks- en ontwikkelingswerk:
Regelmatige voortgangsrapportages en demonstraties
Boston Dynamics en het RAI Institute hebben afgesproken om periodiek voortgangsrapporten te publiceren waarin de nieuwste ontwikkelingen en resultaten van hun samenwerking worden beschreven. Deze rapporten zullen niet alleen schriftelijke beschrijvingen van de voortgang bevatten, maar ook illustratieve demonstraties met Atlas, waarin de nieuw verworven vaardigheden in de praktijk worden getoond. Deze demonstraties zullen als video's en presentaties worden uitgebracht en beschikbaar worden gesteld aan de wetenschappelijke gemeenschap en het grote publiek.
De regelmatige updates en demonstraties dienen verschillende doelen. Ze stellen de wetenschappelijke gemeenschap in staat de ontwikkelingen in de humanoïde robotica te volgen en elkaar te inspireren. Ze bevorderen transparantie en vertrouwen in roboticaonderzoek en dragen bij aan een grotere acceptatie van deze technologieën door het publiek. Bovendien bieden ze Boston Dynamics en het RAI Institute de mogelijkheid om feedback van de gemeenschap te ontvangen en hun onderzoeksrichting daarop aan te passen.
Samenwerkingslocatie: Massachusetts, Verenigde Staten
Al het onderzoeks- en ontwikkelingswerk binnen het samenwerkingsverband vindt plaats in Massachusetts, waar beide organisaties hun hoofdkantoor hebben. Deze geografische nabijheid bevordert nauwe samenwerking en directe uitwisseling tussen de onderzoeksteams. De teams van Boston Dynamics en het RAI Institute werken in gedeelde laboratoria en maken gebruik van de middelen en infrastructuur van beide organisaties. Deze nauwe integratie van teams en middelen is een cruciale factor in het succes van het samenwerkingsverband, waardoor synergieën optimaal benut kunnen worden en onderzoek en ontwikkeling efficiënt kunnen worden bevorderd.
De verwachte nieuwe mogelijkheden van Atlas: een blik op de toekomst van humanoïde robotica
Dankzij de samenwerking tussen Boston Dynamics en het RAI Institute zal de Atlas-robot naar verwachting een reeks baanbrekende nieuwe mogelijkheden krijgen, waardoor het een nog veelzijdiger en nuttiger hulpmiddel wordt:
Verbeterde mobiliteit en manipulatie: Wendbaarheid en precisie in beweging
Dynamische voortbeweging
Atlas zal zich nog stabieler en soepeler kunnen bewegen over oneffen terrein, in complexe omgevingen en zelfs in dynamische scenario's. Dit omvat lopen, springen, klimmen en het vermogen om zich in realtime aan te passen aan verschillende ondergronden en omstandigheden. Dynamische voortbeweging wordt mogelijk gemaakt door geavanceerde besturingsalgoritmen en de fusie van sensorgegevens, waardoor Atlas zijn evenwicht kan bewaren, obstakels kan overwinnen en zijn bewegingen kan aanpassen aan de specifieke situatie.
Manipulatie van het hele lichaam
De robot zal geavanceerde contactstrategieën met het hele lichaam toepassen om zware objecten nauwkeurig en efficiënt op te tillen, te dragen, te verplaatsen en te manipuleren. Dit vereist een zeer goed ontwikkelde coördinatie van armen, benen en romp om het gewicht te stabiliseren, het evenwicht te bewaren en de objecten veilig te hanteren. Dankzij de manipulatie met het hele lichaam kan Atlas taken uitvoeren die voorheen alleen door mensen werden gedaan, zoals het verplaatsen van zware lasten in magazijnen, op bouwplaatsen of in rampgebieden.
Verbeterde interactie met de omgeving: intelligente interactie met de wereld
Objectmanipulatie
Atlas leert diverse objecten en apparaten in zijn omgeving te manipuleren, waaronder deuren, schakelaars, hendels, kleppen, gereedschap, containers en nog veel meer. Deze vaardigheid stelt hem in staat om in menselijke omgevingen te functioneren en taken uit te voeren die interactie met bestaande infrastructuur vereisen. Het manipuleren van objecten vereist geavanceerde waarnemingsvaardigheden om objecten te detecteren, lokaliseren en identificeren, evenals geavanceerde grijp- en manipulatietechnieken om ze veilig en efficiënt te hanteren.
Aanpassingsvermogen aan materialen en structuren
De robot zal in staat zijn om zijn kracht, snelheid en bewegingen automatisch en intelligent aan te passen aan verschillende materialen en structuren, zonder deze te beschadigen of te vernielen. Dit is cruciaal voor een veilige en betrouwbare interactie in de echte wereld, waar robots een grote verscheidenheid aan oppervlakken, materialen en objecten zullen tegenkomen. Deze aanpasbaarheid wordt bereikt door het gebruik van kracht- en koppelingssensoren, tactiele sensoren en geavanceerde besturingsalgoritmen, waardoor Atlas zijn interacties in realtime kan monitoren en aanpassen.
Leervermogen en generalisatie: de basis voor toekomstige innovaties
Efficiënter leren door middel van versterkingsleren:
Door geavanceerde technieken voor versterkingsleren toe te passen, kan Atlas aanzienlijk sneller en efficiënter nieuwe vaardigheden leren dan voorheen. Dit omvat de ontwikkeling van algoritmen die het leerproces en de gegevensverwerking versnellen
Geschikt hiervoor:
Uw wereldwijde partner voor marketing en bedrijfsontwikkeling
☑️ onze zakelijke taal is Engels of Duits
☑️ Nieuw: correspondentie in uw nationale taal!
Konrad Wolfenstein
Ik ben blij dat ik beschikbaar ben voor jou en mijn team als een persoonlijk consultant.
U kunt contact met mij opnemen door het contactformulier hier in te vullen of u gewoon te bellen op +49 89 674 804 (München) . Mijn e -mailadres is: Wolfenstein ∂ Xpert.Digital
Ik kijk uit naar ons gezamenlijke project.