yapay zekalı robot
Robotlar Yapay Zeka

Yapay Zekalı Robot Tasarlamak ve Eğitmek İçin Yeni Platform

Diyelim ki dünyanın en iyi merdiven tırmanan yapay zekalı robot tasarımı yapmak istiyorsunuz. Daha ilk basamağa tırmanmayı sağlamak için güçlü bir algoritma ile birlikte bazı yüksek teknolojili bacaklar ve ayaklar vererek hem beyin hem de vücut için optimizasyon yapmanız gerekir.

Fiziksel bedenin ve beyninin tasarımı, yani “kontrol”, robotun hareket etmesine izin veren temel bileşenler olsa da , mevcut karşılaştırma ortamları yalnızca ikincisini tercih ediyor. 

Her iki öğe için birlikte optimizasyon yapmak zordur—tasarım öğesi olmadan bile farklı şeyler yapmak için çeşitli robot simülasyonlarını eğitmek çok zaman alır.

Yapay Zekalı Robot Eğitim Merkezi “Evolution Gym”

MIT’nin Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı’ndan (CSAIL) bilim adamları, doğadan ve evrimsel süreçlerden ilham alarak yumuşak robotların tasarımını ve kontrolünü birlikte optimize etmek için büyük ölçekli bir test sistemi olan “Evolution Gym”i tasarlayarak bu boşluğu doldurmayı amaçladı. .

Simülatördeki robotlar , yürüme, tırmanma, nesneleri manipüle etme, şekil değiştirme ve yoğun gezinme görevlerini yerine getiren bir ızgara üzerinde yumuşak, sert ve aktüatör “hücrelerinden” oluşan yumuşacık, hareketli Tetris parçalarına benziyor.

Ekip, robotun yeteneğini test etmek için tasarım optimizasyonu için standart yöntemler ile derin pekiştirmeli öğrenme (RL) tekniklerini birleştirerek kendi ortak tasarım algoritmalarını geliştirdi.

Ortak tasarım algoritması, tasarım optimizasyon yöntemlerinin robotun gövdelerini geliştirdiği ve RL algoritmalarının önerilen bir tasarım için bir denetleyiciyi (hareketleri kontrol etmek için robota bağlanan bir bilgisayar sistemi) optimize ettiği bir güç çifti gibi çalışır. Tasarım optimizasyonu, “Tasarım ne kadar iyi performans gösteriyor?” diye sorar. ve kontrol optimizasyonu, “yürüme” için beş gibi görünebilecek bir puanla yanıt verir.

Sonuç

Küçük bir robot olimpiyatına benziyor. Yürüme ve atlama gibi standart görevlere ek olarak, araştırmacılar ayrıca tırmanma, çevirme, dengeleme ve merdiven çıkma gibi bazı benzersiz görevleri de dahil ettiler.

30’dan fazla farklı ortamda, botlar yürümek veya bir eşyayı taşımak gibi basit görevlerde fazlasıyla performans gösterdi, ancak yakalama ve kaldırma gibi daha zor ortamlarda yetersiz kaldılar ve mevcut ortak tasarım algoritmalarının sınırlamalarını gösterdiler. Örneğin, bazen optimize edilmiş robotlar, ekibin birçok görevde “sinir bozucu” bir şekilde bariz optimal olmayan davranış olarak adlandırdığı şeyi sergilediler. Örneğin, “yakalayıcı” robot, genellikle arkasına düşen düşen bir bloğu yakalamak için ileriye doğru dalar.

Robot tasarımları, daha evrimsel süreçlere doğru bir adımda, sıfırdan ve ortak tasarım algoritmaları tarafından önceden bilgi sahibi olmadan özerk bir şekilde evrimleşmiş olsa da, elle tasarlanmış robotlardan daha iyi performans gösterirken, genellikle mevcut doğal yaratıklara benzeyecek şekilde büyüdüler.

Projede baş araştırmacı olan MIT lisans öğrencisi Jagdeep Bhatia,

“Evolution Gym ile makine öğrenimi ve yapay zeka için algoritmaların sınırlarını zorlamayı hedefliyoruz” diyor. “Hız ve basitliğe odaklanan büyük ölçekli bir kıyaslama oluşturarak, yalnızca pekiştirmeli öğrenme ve ortak tasarım alanında fikir ve sonuçların değiş tokuş edilmesi için ortak bir dil oluşturmakla kalmıyoruz, aynı zamanda araştırmacıların en son teknolojiye sahip bilgisayarlara ihtiyaç duymamasını sağlıyoruz. Bu alanlarda algoritmik gelişime katkıda bulunacak kaynaklar. Çalışmamızın sizin veya benim kadar akıllı robotlarla dolu bir geleceğe bir adım daha yaklaştırmasını umuyoruz.”

Bazı durumlarda, robotların tıpkı insanlar gibi öğrenmesi için, deneme yanılma, pekiştirmeli öğrenmenin arkasındaki düşünce olan bir görevi anlamada en iyi performansı sağlayabilir. Burada robotlar, bloğun nerede olduğunu ve yakındaki arazinin nasıl olduğunu “görmek” gibi ona yardımcı olacak bazı bilgileri alarak bir bloğu itmek gibi bir görevi nasıl tamamlayacaklarını öğrendiler. Ardından, bir robot ne kadar iyi çalıştığının bir ölçüsünü alır (“ödül”). Robot bloğu ne kadar çok iterse, ödül o kadar yüksek olur. Robot, keşif (belki kendi kendine “Zıplayarak ödülümü artırabilir miyim?” diye sorarak) ve sömürüyü (ödülü artıran davranışları daha fazla keşfetme) aynı anda dengelemek zorundaydı.

Algoritmaların farklı tasarımlar için geliştirdiği farklı “hücreler” kombinasyonları oldukça etkiliydi: Biri, doğada bulunanları taklit ederek, bacak benzeri yapılara sahip dört nala koşan bir ata benzeyecek şekilde gelişti. Tırmanıcı robot, tırmanmasına yardımcı olmak için iki kol ve iki bacak benzeri yapı (bir tür maymun gibi) geliştirdi. Kaldırıcı robot, iki parmaklı bir kavrayıcıya benziyordu.

Gelecekteki araştırmalar için bir yol!

Bir yapay zekalı robot daha karmaşık görevleri çözme deneyimi kazandıkça aşamalı olarak daha akıllı hale geldiği “morfolojik gelişim” olarak adlandırılır. Örneğin, basit bir robotu yürümek için optimize ederek başlar, ardından aynı tasarımı alır, taşıma için optimize eder ve ardından merdiven çıkarsınız. Zamanla, robotun vücudu ve beyni, baştan itibaren aynı görevler üzerinde doğrudan eğitilmiş robotlara kıyasla daha zorlu görevleri çözebilecek bir şeye “dönüştürür”.

Vermont Üniversitesi’nden robotik profesörü Josh Bongard, “Evolution Gym, yapay zeka topluluğunda, vücut ve beynin akıllı davranışları desteklemede eşit ortaklar olduğuna dair artan farkındalığın bir parçası” diyor. “Bu ortaklığın hangi biçimleri alabileceğini bulmak için yapılacak çok şey var. Evolution Gym, bu tür sorular üzerinde çalışırken muhtemelen önemli bir araç olacak.”

Evolution Gym açık kaynak kodludur ve kullanımı ücretsizdir. 

Daha fazla bilgi: Jagdeep Bhatia ve diğerleri, Evolution Gym: A Large-Scale Benchmark for Evolving Soft Robots (2021), PDF olarak burada bulabilirsiniz.

Bunlar da hoşunuza gidebilir...

Bir cevap yazın

E-posta hesabınız yayımlanmayacak.