Spis treści:
Robot Cassie okazał się nie tylko wsparciem komercyjnych ambicji firmy Agility, ale także solidną platformą do badań nad maszynami dwunożnymi. Zwinna Cassie, opracowana w 2017 roku pod kierunkiem profesora Jonathana Hunta z Oregon State University w USA, została stworzona dzięki grantowi przyznanemu przez Departament Obrony – zaglądanie do warsztatów przez wojsko jest akurat w świecie robotyki dobrze znane.
Cassie mierzy 115 cm wysokości, 40 cm długości i 55 cm szerokości. Waży zaledwie 31 kg. Składają się na nią wytrzymałe aluminium, termoformowane poliwęglanowe warianty i elementy kompozytowe z włókna węglowego. Zespół Dynamics Robotics Laboratory w Oregonie przedstawił, jak prowadzone są prace nad doprowadzeniem robota do granic jego możliwości. W czerwcu 2021 roku podano, że robot był w stanie przebiec 5 km bez uwięzi i na jednym ładowaniu w czasie 53 minut. Dla lepszego zobrazowania różnicy podamy, że amator, który pokona taki dystans w czasie poniżej 30 minut, może być z siebie zadowolony, a dobrzy zawodnicy potrzebują na to około kwadransa.
Robot Cassie - szczegóły techniczne
Według znalezionych przez nas w sieci informacji do stworzenia Cassie zastosowano:
- czujniki MEMS IMU,
- enkodery absolutne i inkrementalne,
- bezszczotkowe silniki prądu stałego z przekładniami zaprojektowanymi na zamówienie,
- akumulator o pojemności 20,5 Ah przy napięciu 48 V (szacowany czas pracy: 5 godzin przy mieszanym użytkowaniu; pobór mocy 100 W podczas stania, ~300 W podczas chodzenia),
- komputer sterujący w czasie rzeczywistym z procesorem Intel Atom, niestandardowe płytki z mikrokontrolerami na każdej kończynie,
- dodatkowy komputer Intel Nuc I5 do użytku przez klienta, w tym do obsługi wszelkich procesów niedziałających w czasie rzeczywistym,
- oprogramowanie MathWorks Simulink w czasie rzeczywistym dla komputera sterującego (na komputerze pomocniczym można zainstalować inne oprogramowanie).
Kolejne kroki deep RL, czyli w górę i w dół
Według ekipy bieganie robota Cassie umożliwił algorytm głębokiego uczenia wzmacniającego, który pozwala całej konstrukcji utrzymać się w pozycji pionowej poprzez zmianę środka ciężkości podczas biegu. Ów tajemniczy termin „głębokie uczenie wzmacniające”, czyli deep reinforcement learning, to potężna metoda umożliwiająca dalszą pracę nad sztuczną inteligencją, otwierająca drogę do projektów obejmujących bieganie, skakanie czy wspinanie się. Łączy ona uczenie wzmacniające (RL) i głębokie uczenie (DL).
W RL rozważa się problem agenta obliczeniowego (w tym przypadku robota), który uczy się podejmować decyzje metodą prób i błędów. Deep RL uwzględnia głębokie uczenie, pozwalając robotom na podejmowanie decyzji na podstawie nieustrukturyzowanych danych wejściowych. Algorytmy deep RL są w stanie przyjąć bardzo duże dane wejściowe i zdecydować, jakie działania należy wykonać, aby zoptymalizować wykonanie celu. Jak dotychczas podobne algorytmy radzą sobie świetnie w grze w szachy, go, shogi, pokera czy w układaniu kostki Rubika.
W maju 2021 roku zespół z OSU zademonstrował wyposażoną w te algorytmy Cassie, poruszającą się po schodach bez pomocy LIDAR-u i kamer. Dwa miesiące później, podczas przygotowań do pięciokilometrowego biegu, czas pracy robota wydłużył się o dodatkowe 6 minut rozwiązywania problemów. Zespół zmagał się wówczas z przegrzanymi podzespołami i nieudanym obrotem, który zwalił Cassie z nóg – czyli właściwie zwaliła się tym obrotem z nóg sama. Na marginesie dziecko zaczyna swoje niedoskonałe raczkowanie po schodach już pomiędzy 11. a 13. miesiącem życia, a robotom wciąż trudno osiągnąć idealną motorykę na płaskich powierzchniach, nie mówiąc o wszelkich krzywiznach czy równiach pochyłych. Trzeba jednak przyznać, że idzie im coraz lepiej.
Dwunożne roboty i nie tylko
Planowane zastosowania Cassie i jej pobratymców, którzy powstają w laboratoriach i warsztatach na całym świecie, to akcje poszukiwawczo-ratownicze oraz dostarczanie paczek. Drżyjcie więc, dostawcy, bo zastąpić Was mają nie tylko drony, których wykorzystanie w usługach kurierskich rozpowszechnił już Amazon. Nie tak dawno opisywaliśmy przypominającego psa robota o imieniu Spot, którego cztery silne i precyzyjne nogi pozwalają na wykonywanie inspekcji przemysłowych wszędzie tam, gdzie człowiek nie może.
Istnieje też już jego następca od tej samej firmy, czyli zaprezentowany w 2019 roku Digit. Jego nogi są podobne do nóg Cassie, ale Digit został wyposażony w tułów pełen czujników i parę ramion, które służą do lepszego utrzymywania równowagi i manipulacji przedmiotami. Digit zatrzymuje się, gdy zauważy osobę lub inną przeszkodę na swojej drodze i obchodzi ją dookoła, kuca i przysiada, obraca górną część ciała, aby „patrzeć” w różnych kierunkach, bez problemu wchodzi i schodzi z krawężników i potrafi podnosić i odkładać przedmioty o różnej wielkości oraz wadze.
W rytmie algorytmów, czyli nie tylko bieganie
Obietnica jest jasna i spójna. Niezależnie od tego, jakie zadanie będzie wykonywał robot wyposażony w AI, celem narzędzia głębokiego uczenia wzmacniającego jest generalizacja. To zdolność do poprawnego działania na wcześniej niewidzianych danych wejściowych. Co to oznacza? Sieci neuronowe wytrenowane do rozpoznawania obrazów mogą ustalić, że na zdjęciu znajduje się ptak, nawet jeśli nigdy nie widziały tego konkretnego zdjęcia ani nawet tego konkretnego gatunku ptaka. Ponieważ deep RL dopuszcza jako dane wejściowe tzw. surowe dane (np. piksele), zmniejsza się potrzeba wstępnego zdefiniowania środowiska. Właśnie to pozwala na uogólnienie modelu i wykorzystanie go do różnych zastosowań. Im więcej rozumienia abstrakcji, tym więcej możliwości konkretnych zadań. Te niesamowite narzędzia potrafią już współpracować, konkurować i szacować wynik własnego działania, choć nie robią tego intencjonalnie jak kurier wciskający mocniej pedał gazu, aby wszystkie zaplanowane do doręczenia paczki trafiły w ręce klientów jeszcze tego samego dnia.
