Os cientistas treinaram um robô de quatro pernas para jogar badminton contra um oponente humano e ele espalha o campo para jogar comícios até 10 golpes.
Combinando movimentos corporais inteiros com percepção visual, robôchamado ‘Anymal“Aprenda a se adaptar à maneira como ele se mudou para alcançar o stub e devolvê -lo com sucesso pela rede, graças a Inteligência artificial (Ai).
Isso mostra que os robôs de quatro pernas podem ser construídos como oponentes em “cenários de esportes complexos e dinâmicos”, escreveram os pesquisadores em um estudo publicado em 28 de maio na revista Robótica científica.
Anymal é um robô em forma de cachorro que pesa 110 kg (50 kg) e tem cerca de 1,5 pés de altura (0,5 metros). Ter quatro pernas permite Amil e Quadruplos semelhantes -lobes viajar por um terreno desafiador e Mova os obstáculos para cima e para baixo.
Os pesquisadores já haviam adicionado armas a essas máquinas semelhantes a cães e as ensinaram como Transferir certos itens ou portas abertas Agarrando a alça. Mas coordenar o controle dos membros e a percepção visual em um ambiente dinâmico continua sendo um desafio na robótica.
Conectado: Assista “Robot Dog” acorda através de um curso básico de estacionamento com AI Ajuda
“O esporte é uma boa aplicação para esse tipo de pesquisa, porque você pode aumentar gradualmente a competitividade ou a dificuldade”, é o autor do estudo M -juntaoUm pesquisador de robótica disse à ET Zurich e agora com robótica leve inicial, disse a Live Science à Live Science.
Aprenda um novo cachorro novos truques
Neste estudo, o mestrado e sua equipe forneceram uma mão dinâmica com uma raquete de 45 graus de badminton no robô anual padrão.
Ao adicionar a mão, o robô estava 5 metros, 3 polegadas de altura (1,6 m) e tinha 18 articulações: três em cada uma das quatro pernas e seis na mão. Os pesquisadores projetaram um complexo sistema construído que controlava os movimentos do braço e das pernas.
A equipe adicionou uma câmera estéreo, que tinha duas lentes organizadas uma para a outra, à direita do centro da frente do corpo do robô. Ambas as lentes lhe permitiram processar informações visuais sobre persianas reais e trabalhar para onde vão.
Então o robô foi ensinado a se tornar um jogador de badminton Aprendendo sobre reforço. Com esse tipo de aprendizado de máquina, o robô explorou seus arredores e usou um ensaio e erro para aprender a perceber e seguir o ônibus espacial, para se mover em direção a ele e balançar a raquete.
Para fazer isso, os pesquisadores criaram primeiro um ambiente simulado composto por um tribunal de badminton, com a contraparte virtual do robô no centro. Os ônibus virtuais foram servidos perto do centro de metade do oponente do tribunal, e o robô foi encarregado de monitorar sua posição e avaliar sua trajetória no voo.
Os pesquisadores então criaram um regime de treinamento rigoroso para aprender Anymal como acertar os ônibus, com um treinador virtual que recompensou o robô por uma variedade de recursos, incluindo a posição da raquete, o ângulo da cabeça da raquete e a velocidade do balanço. Mais importante, os prêmios de swing foram baseados no tempo para incentivar hits precisos e oportunos.
Um tiro pode pousar em todo o tribunal, então o robô também foi recompensado se se movesse efetivamente pelo tribunal e se não acelerar desnecessariamente. O objetivo de Anymal era aumentar o quão recompensado em todos os ensaios.
Com base em 50 milhões de ensaios neste treinamento de simulação, os pesquisadores criaram uma rede nervosa que pode controlar o movimento de todas as 18 juntas para viajar e atingir o ônibus espacial.
Estudante rápido
Após as simulações, os cientistas passaram a rede nervosa para o robô, e Anymal foi colocado através de suas etapas no mundo real.
Aqui, o robô foi treinado para encontrar e seguir um traslado de laranja claro que serve outra máquina, permitindo que os pesquisadores controlassem a velocidade, os cantos e os locais dos proprietários. Anymal teve que se separar do chão para atingir o ônibus espacial a uma velocidade que o devolveria pela rede e centro da corte.
Os pesquisadores descobriram que, após um amplo treinamento, o robô pode seguir os ônibus e devolvê -los com precisão a uma velocidade de balanço para aproximadamente 39 pés por segundo (12 metros por segundo) – aproximadamente metade da velocidade de balanço do jogador amador humano médio em Badminton, observaram os pesquisadores.
Anymal também ajustou seus modelos de movimento com base em quão longe ele teve que viajar para Shuttlecock e quanto tempo ele tinha que alcançar. O robô não deveria viajar quando o ônibus estava devido ao pouso a poucos metros (meio metro), mas a cerca de 1,5 m (1,5 m), Amil grelhou para chegar ao ônibus movendo todas as quatro pernas. A cerca de 7 metros (2,2 m), o robótico galopou para o ônibus espacial, criando um período de aumento que estendeu o alcance da mão por 3 metros (1 m) no alvo.
“Controle o robô para olhar para o Shuttleclock não é tão trivial”, disse Ma. Se o robô olhar para o Shuttlecock, ele não poderá se mover muito rapidamente. Mas se não parecer, ele não saberá para onde ir. “Essa troca deve acontecer de maneira inteligente”, disse ele.
MA ficou surpreso com o quão bem o robô percebeu como mover todas as 18 articulações de maneira coordenada. Esta é uma tarefa particularmente desafiadora, porque o mecanismo de cada pulso aprende de forma independente, mas o movimento final exige que eles trabalhem em conjunto.
A equipe também revelou que o robô começou espontaneamente a retornar ao centro do campo após cada golpe, semelhante à maneira como os jogadores humanos estão se preparando para os ônibus de entrada.
No entanto, os pesquisadores observaram que o robô não considerou os movimentos do oponente, o que é uma maneira importante de jogadores humanos prever a trajetória dos ônibus espaciais. A inclusão de avaliações da posição humana ajudará a melhorar o desempenho de Anymal, disse a equipe de estudo. Eles também poderiam adicionar um pulso ao pescoço para permitir que o robô siga o ônibus espacial por mais tempo, disse Ma.
Ele acha que essa pesquisa acabará por ter aplicativos fora do esporte. Por exemplo, pode apoiar a remoção de detritos durante os esforços para facilitar os desastres, disse ele, porque o robô poderá equilibrar a percepção visual dinâmica com o movimento ágil.
