Gepubliceerd op: 25 februari 2025 / Update van: 25 februari 2025 - Auteur: Konrad Wolfenstein
Van struikelen tot salto in robotica: AI-upgrade definieert humanoïde vaardigheden-afbeelding: xpert.Digital
De toekomst van de humanoïden: Atlas is door versterkingsleren slimmer
Strategisch partnerschap: Boston Dynamics optimaliseert Atlas voor echte toepassingen
In een aankondiging, Boston Dynamics, een pionier op het gebied van Dynamic Robot, en het Robotics & AI Institute (RAI Institute), een onderzoeksinstelling onder leiding van de gerenommeerde robotsexpert en voormalige CEO's van Boston Dynamics, Marc Raibert, kondigde een strategisch partnerschap aan. Het verklaarde doel van deze samenwerking, die officieel zijn start in februari 2025 heeft gevonden, is de aanzienlijke verbetering van de vaardigheden van de geavanceerde humanoïde robotatlas door het gebruik van versterking (versterking van leren). Deze samenwerking belooft niet alleen om Atlas flexibeler en wendbaarder te maken, maar ook om het te kwalificeren voor een breder spectrum van echte toepassingen en zo de weg effenen voor een nieuw tijdperk van humanoïde robotica.
Geschikt hiervoor:
Kerndoelen van toekomstgerichte samenwerking
Het partnerschap tussen Boston Dynamics en het RAI Institute richt zich op een aantal ambitieuze doelen die gericht zijn op het transformeren van de fundamentele vaardigheden van Atlas en het ontwikkelen van een indrukwekkende onderzoeksdemonstrator in een gevarieerd en praktisch hulpmiddel. In het middelpunt van deze inspanningen zijn drie hoofdgebieden:
Het overbruggen van de sim-to-real gap: de weg van de simulatie naar de realiteit
Een van de grootste uitdagingen in robotica, vooral op het gebied van het leren van versterkingen, is de overdracht van vaardigheden die zijn geleerd in simulaties aan de echte wereld. Simulaties bieden een ideale omgeving voor het trainen van robots omdat ze onbeperkte hoeveelheden gegevens mogelijk maken, volledige controle over de omgeving en de mogelijkheid om gevaarlijke of kosten -intensieve scenario's te simuleren met risico -vrij. Robots kunnen talloze iteraties van bewegingen en taken in virtuele werelden uitvoeren zonder het risico van schade of verwondingen.
De realiteit daarentegen is veel complexer en onvoorspelbaarder. Fysieke robots werken in een wereld vol sensorische ruis, onvoorziene aandoeningen, onnauwkeurigheden in modellering en de constante uitdaging van variabiliteit. Wat werkt in een perfect gecontroleerde simulatie kan falen in de chaotische realiteit. De "sim-to-real-lücke" beschrijft precies deze discrepantie.
De samenwerking tussen Boston Dynamics en het RAI Institute heeft zichzelf het doel gesteld om deze kloof te sluiten met behulp van innovatieve methoden en algoritmen. De onderzoekers werken aan het ontwikkelen van robuuste en generaliseerbare bewegingen die niet alleen op betrouwbare wijze werken in simulatie, maar ook in de echte wereld. Dit omvat de ontwikkeling van geavanceerde simulatie -omgevingen die de fysieke realiteit nauwkeuriger in kaart brengen, evenals het gebruik van technieken zoals domein randomisatie en adaptieve simulatie om de modellen in simulaties beter bestand te maken tegen de imponderen van de echte wereld. Het succes op dit gebied is cruciaal om het volledige potentieel van het leren van versterking voor robotica te benutten en robots te gebruiken in echte, ongestructureerde omgevingen.
Verbetering van loco -manipulatie: de kunst van beweging en interactie
Het vermogen om loco -manipulatie te vinden, d.w.z. het gelijktijdige transport en de manipulatie van objecten, is een belangrijk vermogen voor robots die in complexe en dynamische omgevingen moeten werken. Stel je een humanoïde robot voor die door een magazijn gaat om pakketten te kiezen, of een robot die puin in een rampzone elimineert en tegelijkertijd naar overlevenden zoekt. In al deze scenario's is het essentieel dat de robot niet alleen efficiënt beweegt, maar ook tegelijkertijd met zijn omgeving kan communiceren.
De ontwikkeling van geavanceerde Loko -manipulatiestrategieën is echter een enorme uitdaging. Het vereist nauwe coördinatie tussen bewegingsplanning, spoorwegplanning, aangrijpende planning en het niveau van kracht. De robot moet in staat zijn om zijn bewegingen en manipulaties aan te passen aan de constant veranderende omstandigheden van zijn omgeving in realtime.
Als onderdeel van het partnerschap zullen de onderzoekers nieuwe en innovatieve strategieën ontwikkelen om Atlas Loco -manipulatievaardigheden naar een nieuw niveau te verhogen. Dit omvat het onderzoeken van algoritmen voor de gelijktijdige planning en aangrijpende planning, de ontwikkeling van robuuste strategieën voor machtscontrole voor manipulatie van verschillende objecten en de integratie van sensorische informatie in de controlelus om reactie snel en adaptieve locomanipulatie mogelijk te maken. De verbetering van de loco -manipulatie is een cruciale stap om Atlas een echt veelzijdig en nuttig hulpmiddel te maken voor verschillende toepassingen.
Onderzoek naar contactstrategieën voor full-body: de synergie van arme en benen
Humanoïde robots zoals Atlas hebben het unieke potentieel om te bewegen en te communiceren op een manier die erg lijkt op menselijke beweging. Dit vermogen om het hele lichaam te integreren, inclusief de armen, benen en romp, in complexe bewegingen en taken, opent volledig nieuwe kansen voor robotica. Contactstrategieën voor alle lichamen gaan verder dan eenvoudige manipulatie met de armen en gebruiken de synergie tussen de armen en benen om krachtige bewegingen en taken mogelijk te maken.
Denk aan een persoon die een zwaar object draagt. Hij gebruikt niet alleen zijn armen, maar ook zijn benen, zijn romp en zijn hele lichaam om het gewicht te stabiliseren, om de balans te behouden en het object efficiënt te vervoeren. Evenzo moeten humanoïde robots in staat zijn om hun hele lichaam te gebruiken om complexe taken te beheren die een nauwe coördinatie tussen de armen en benen vereisen.
De onderzoekers richten zich op de ontwikkeling van geavanceerde regelgevende algoritmen en planningsstrategieën voor hoge -prestaties volledige lichaamsbewegingen en -taken. Dit omvat gebieden zoals dynamisch hardlopen, springen, klimmen, tillen en zware objecten dragen, manipulatie in krappe kamers en de interactie met complexe omgevingen. Het onderzoek naar contactstrategieën voor full-body is van cruciaal belang 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.
Het belang van deze directionele samenwerking
De samenwerking tussen Boston Dynamics en het RAI Institute is om verschillende redenen van enorm belang voor robotica en AI -onderzoeksgemeenschap. Ten eerste combineert ze twee toonaangevende organisaties op het gebied van robotica, elk met unieke sterke punten en vaardigheden. Boston Dynamics is wereldwijd bekend om zijn indrukwekkende en dynamische robotplatforms zoals Atlas, Spot, Handle en Stretch. Het RAI -instituut onder leiding van Marc Raibert brengt tientallen jaren ervaring in de ontwikkeling van toptechnologieën voor intelligente machines en bij het gebruik van versterkingsleren voor complexe robotica -problemen.
Marc Raiber, de oprichter van het RAI Institute, is een icoon van robotica. Als voormalig CEO van Boston Dynamics heeft hij de ontwikkeling van het bedrijf aanzienlijk gevormd en heeft hij enkele van de meest indrukwekkende robots ter wereld geproduceerd. Robotics Research heeft een blijvende impact gehad op zijn visie op robots, die in de echte wereld zo slim en veelzijdig kunnen bewegen als mensen en dieren. Met de oprichting van het RAI Institute zet Raiber zijn missie voort om de grenzen van het mogelijke in robotica en AI uit te breiden.
De samenwerking is gebaseerd op een solide basis van eerdere gezamenlijke projecten, waaronder de "Straint Learning Researcher Kit" voor de robotspot met vier benen. Met deze kit kunnen onderzoekers wereldwijd algoritmen voor het leren van versterking op het platform ontwikkelen en testen. De succesvolle ontwikkeling en implementatie van deze kit heeft aangetoond dat beide organisaties in staat zijn om effectief samen te werken en innovatieve oplossingen te ontwikkelen op het gebied van herhavingsleren voor robotica.
Door het gebruik van versterking van Atlas, een van de meest geavanceerde en krachtige humanoïde robots ter wereld, verwachten partners aanzienlijke vooruitgang in de ontwikkeling van humanoïde vaardigheden. Versterkingsonderwijs biedt het potentieel om robots te trainen, om complexe taken te beheren die moeilijk te implementeren zouden zijn met traditionele programmeerbenaderingen. Het stelt robots in staat om te leren door interactie met hun omgeving, zich aan te passen en hun vaardigheden continu te verbeteren.
Boston Dynamics en het RAI Institute hebben zich ertoe verbonden om regelmatige updates en demonstraties van hun werk met Atlas te publiceren om vooruitgang te boeken in humanoïde robotica die toegankelijk is voor het grote publiek. Deze transparantie is belangrijk om het vertrouwen in robotica en AI -onderzoek te versterken en sociale acceptatie voor deze technologieën te bevorderen. De geplande publicaties zullen niet alleen de wetenschappelijke gemeenschap informeren, maar ook het publiek inspireren voor de fascinerende mogelijkheden en uitdagingen van humanoïde robotica.
Gezamenlijk onderzoek en ontwikkeling in detail
De samenwerking tussen Boston Dynamics en het RAI Institute is verdeeld in verschillende kerngebieden van onderzoek en ontwikkeling, die nauw verbonden zijn en elkaar aanvullen:
Ontwikkeling van een gemeenschappelijke re-samenvoeging van de leeropleidingspijplijn voor Atlas
In het centrum van het partnerschap staat de ontwikkeling van een state-of-the-art trainingspijplijn van de versterking, die speciaal is afgestemd op de behoeften en vaardigheden van Atlas. Deze pijplijn vormt de basis voor het trainen van dynamisch en generaliseerbaar gedrag voor mobiele manipulatie. Het bevat alle stappen van het leerproces van het versterking, van de definitie van beloningsfuncties en de selectie van geschikte algoritmen tot de ontwikkeling van simulatieomgevingen en data -acquisitie tot validatie en overdracht van het geleerde gedrag op de echte robot.
De trainingspijplijn is modulair om flexibiliteit en aanpassingsvermogen aan verschillende taken en omgevingen te waarborgen. Het zal geavanceerde technieken van het leren van versterkingen integreren, zoals het leren van diepe versterking, modelgebaseerde versterking van versterkingsversterking en leren van multi-agent versterking om de efficiëntie en robuustheid van de training te maximaliseren. Een speciale focus zal liggen op de ontwikkeling van beloningsfuncties waarmee Atlas complexe taken kan leren zonder elke stap expliciet te specificeren. De beloningsfuncties zijn bedoeld om de robot te begeleiden om efficiënte, natuurlijke en mensachtige bewegingen en interacties te ontwikkelen.
Sim-naar-Real Transfer: The Bridge Tween Virtual and Real World
Zoals reeds vermeld, is de SIM-naar-Real Transfer een van de grootste uitdagingen in het leren van versterking voor robotica. De teams zullen intensief werken om de kloof tussen simulaties en de echte wereld te overbruggen en ervoor te zorgen dat het gedrag dat is getraind in simulaties met succes en betrouwbaar kan worden overgedragen naar de fysieke hardware.
Dit vereist een multi -layer benadering, die de verbetering van de simulatieomgevingen en de ontwikkeling van robuuste overdrachtsmethoden omvat. De simulatieomgevingen worden continu verbeterd om de fysieke realiteit nauwkeuriger in kaart te brengen, inclusief het modelleren van wrijving, contact, traagheid en andere fysieke effecten. Tegelijkertijd worden technieken zoals domein -randomisatie, systeemidentificatie en adaptieve controle gebruikt om de modellen in simulaties beter bestand te maken tegen de imponderen van de echte wereld. Het doel is om een naadloze overgang van de simulatie naar de realiteit te creëren, zodat Atlas de vaardigheden in de virtuele wereld kan gebruiken zonder aanzienlijk prestatieverlies in echte omgevingen.
Focus op belangrijke vaardigheden voor de toekomst van humanoïde robotica
Het partnerschap richt zich op de ontwikkeling en verbetering van belangrijke vaardigheden die essentieel zijn voor het praktische gebruik van humanoïde robots in echte omgevingen:
Verbeterde locomanipulatie: hanteer objecten tijdens beweging
Atlas moet objecten en apparaten zoals deuren, schakelaars, hefbomen, gereedschap en andere objecten kunnen manipuleren terwijl ze tegelijkertijd beweegt. Deze mogelijkheid is cruciaal voor verschillende toepassingen, van industriële automatisering tot logistiek tot zoek- en reddingsactiviteiten. Stel je Atlas voor, dat door een ruw terrein beweegt en tegelijkertijd puin hebt geëlimineerd of gereedschap serveert om een beschadigde structuur te repareren.
De verbeterde locomanipulatie vereist de ontwikkeling van algoritmen, die de bewegingsplanning, aangrijpende planning en het niveau van kracht in realtime coördineren. Atlas moet in staat zijn om zijn bewegingen en manipulaties aan te passen aan de vorm, grootte, gewicht en aard van de objecten die hij manipuleert. Bovendien moet hij in staat zijn om onzekerheden in perceptie en het omliggende gebied om te gaan en zijn plannen en bewegingen dynamisch aan te passen. De ontwikkeling van deze vaardigheden maakt Atlas een veel veelzijdiger en nuttiger hulpmiddel voor een breed scala aan toepassingen.
Contactstrategieën voor volledige lichaam: complexe bewegingen en zware belastingen
De onderzoekers richten zich op de ontwikkeling van veeleisende volle bewegingen die verder gaan dan eenvoudig lopen en reiken. Dit omvat dynamisch hardlopen, springen, klimmen, tillen en zware objecten en manipulatie in krappe kamers. Deze vaardigheden vereisen nauwe coördinatie tussen de armen, benen en romp en gebruiken de synergie van het hele lichaam om complexe taken te beheren.
Dynamisch hardlopen en springen stellen Atlas in staat om snel en efficiënt te bewegen in ongelijk terrein en over obstakels. Klimmen breidt zijn bereik uit en maakt toegang tot moeilijke gebieden mogelijk. Het tillen en dragen van zware objecten maakt hem een waardevolle helper in logistiek en constructie. Manipulatie in krappe kamers maakt het gebruik mogelijk in omgevingen die moeilijk te openen of gevaarlijk zijn voor mensen. De ontwikkeling van contactstrategieën voor full-body is een cruciale stap om het volledige potentieel van de humanoïde vormfactor te benutten en Atlas een echt behendige en krachtige robot te maken.
Praktische implementatie en continue voortgangscontrole
Het partnerschap tussen Boston Dynamics en het RAI Institute hecht veel belang aan een transparante en praktijkgerichte implementatie van uw onderzoeks- en ontwikkelingswerk:
Regelmatige voortgangsrapporten en demonstraties
Boston Dynamics en het RAI Institute hebben zich ertoe verbonden om periodiek voortgangsrapporten te publiceren die de nieuwste ontwikkelingen en het succes van de samenwerking documenteren. Deze rapporten zullen niet alleen schriftelijke beschrijvingen van de voortgang bevatten, maar ook levendige demonstraties met Atlas, die de nieuw verworven vaardigheden in actie tonen. Deze demonstraties worden gepubliceerd in de vorm van video's en presentaties en toegankelijk gemaakt voor de wetenschappelijke gemeenschap en het grote publiek.
De reguliere updates en demonstraties dienen verschillende doeleinden. Ze stellen de wetenschappelijke gemeenschap in staat om de vooruitgang in humanoïde robotica na te streven en elkaar te inspireren. Ze bevorderen transparantie en vertrouwen in robotica -onderzoek en helpen de sociale acceptatie voor deze technologieën te vergroten. Bovendien bieden ze Boston Dynamics en het RAI -instituut de mogelijkheid om feedback van de gemeenschap te ontvangen en hun onderzoeksrichting dienovereenkomstig aan te passen.
Locatie van samenwerking: Massachusetts, VS
Het hele onderzoeks- en ontwikkelingswerk als onderdeel van het partnerschap vindt plaats in Massachusetts, waar beide organisaties hun hoofdkantoor hebben. Deze ruimtelijke nabijheid bevordert nauwe samenwerking en directe uitwisseling tussen de onderzoeksteams. De teams van Boston Dynamics en het RAI Institute werken in gemeenschappelijke laboratoria en gebruiken de middelen en infrastructuren van beide organisaties. Deze nauwe integratie van teams en middelen is een cruciale factor voor het succes van het partnerschap en stelt mogelijk synergieën in staat om onderzoek en ontwikkelingswerk te bevorderen en efficiënt te bevorderen.
Verwachte nieuwe vaardigheden van Atlas: een kijkje in de toekomst van humanoïde robotica
Vanwege het partnerschap tussen Boston Dynamics en het RAI Institute is de Atlas Robot bedoeld om een aantal baanbrekende nieuwe vaardigheden te verkrijgen die het een nog veelzijdiger en nuttiger hulpmiddel maken:
Verbeterde mobiliteit en manipulatie: behendigheid en precisie in beweging
Dynamische voortbeweging
Atlas moet nog stabieler en vloeistof bewegen op ongelijkmatige terrein, in complexe omgevingen en zelfs in dynamische scenario's. Dit omvat hardlopen, springen, klimmen en het vermogen om zich in realtime aan te passen aan verschillende oppervlakken en omstandigheden. De dynamische voortbeweging wordt mogelijk gemaakt door geavanceerde regelgevende algoritmen en sensorgegevensfusie waarmee Atlas zijn evenwicht kan behouden, obstakels kan overwinnen en zijn bewegingen aanpast aan de respectieve situatie.
Volledige lichaamsmanipulatie
De robot zal geavanceerde strategieën implementeren voor volledige contactcontact om zware objecten precies en efficiënt te kunnen gebruiken, dragen, verplaatsen en manipuleren. Dit vereist een sterk ontwikkelde coördinatie van wapens, benen en romp om het gewicht te stabiliseren, de balans te behouden en de objecten veilig te verwerken. De volledige lichaamsmanipulatie stelt Atlas in staat om taken aan te nemen die voorheen alleen waren gereserveerd voor mensen, zoals het verplaatsen van zware ladingen in magazijnen, op bouwplaatsen of in rampzones.
Geavanceerde milieu -interactie: intelligente interactie met de wereld
Objectmanipulatie
Atlas moet leren om verschillende objecten en apparaten in zijn gebied te manipuleren, waaronder deuren, schakelaars, hendels, kleppen, gereedschappen, containers en nog veel meer. Met deze mogelijkheid kan hij in menselijke omgevingen handelen en taken uitvoeren die interactie vereisen met de bestaande infrastructuur. Objectmanipulatie vereist geavanceerde perceptievaardigheden om objecten te herkennen, te lokaliseren en te identificeren, evenals geavanceerde strategieën voor aangrijpende en manipulatie om ze veilig en efficiënt aan te kunnen.
Aanpassingsvermogen aan materialen en structuren
De robot zal in staat zijn om automatisch en intelligent zijn sterkte, snelheid en bewegingen aan te passen aan verschillende materialen en structuren zonder ze te beschadigen of te vernietigen. Dit is cruciaal voor de veilige en betrouwbare interactie met de echte wereld, waarin robots een verscheidenheid aan oppervlakken, materialen en objecten tegenkomen. Het aanpassingsvermogen wordt bereikt door het gebruik van sterkte- en koppelsensoren, tactiele sensoren en geavanceerde regulerende algoritmen waarmee Atlas de interacties in realtime in staat stelt en aan te passen.
Leervermogen en generalisatie: de basis voor toekomstige innovaties
Efficiënter leren door middel van versterking:
Het gebruik van geavanceerde leertechnieken voor het leren van purforingen is bedoeld om Atlas in staat te stellen nieuwe vaardigheden veel sneller en efficiënter te leren dan voorheen. Dit omvat de ontwikkeling van algoritmen die het leren versnellen, de gegevens
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.