Efter lang tids træning: Se robothund, der har lært at spille badminton

Forskere har trænet den firbenede robot ANYmal til at spille badminton mod et menneske. De har formået at få robotten til at spille 10 slag i træk.

Forskerne brugte kunstig intelligens til at lære robotten at tilpasse sine bevægelser, så den kan nå frem til fjerbolden og sende den tilbage over nettet.

Forskerne forestiller sig, at teknologien på sigt kan bruges til at udvikle robotter, der kan være modstandere i 'komplekse og dynamiske sports-scenarier', skriver de i et studie publiceret i Science Robotics.

ANYmal vejer cirka 50 kilo og er omkring en halv meter lang. Hundelignende robotter er tidligere blevet udstyret med arme og trænet til at hente genstande eller åbne døre ved at gribe fat i håndtag.

Men det er stadig en udfordring for robotforskere at få robotterne til at koordinere arme og ben, når omgivelserne hele tiden ændrer sig – som på en badmintonbane mod et menneske.

Sport er en god arena for netop denne type forskning, mener Yuntao Ma, som er robotforsker ved ETH Zürich og opstartsvirksomheden Light Robotics og én af forskerne bag den nye studie.

En fordel er, at man gradvist kan øge sværhedsgraden i de opgaver, robotten skal løse, siger Yuntao Ma til Live Science.

I det nye projekt udstyrede forskerne ANYmal-robotten med en arm, der holder en badmintonketsjer. Med armen er robotten 1,6 meter høj og har 18 led, som skal koordineres.

»Absolut et fremskridt«

Morten Goodwin, som er professor i kunstig intelligens på det norske universitet i Agder, sammenligner studiet med forskningen hos OpenAI, selskabet bag ChatGPT.

Her har man tidligere lært en robothånd at løse en Rubiksterning, men Morten Goodwin påpeger, at det er langt mere kompliceret at udvikle en badmintonspillende robot end en robot, der 'bare' skal bevæge en hånd.

»Hver eneste 'muskel' skal arbejde i samspil med de øvrige 17, ellers går det galt. Robotten har med andre ord lært dynamisk helkropskoordination, og det er bestemt et fremskridt,« siger han.

Forskerne har også udstyret robotten, der spiller badminton, med et kamera med to linser. På den måde kan ANYmal se fjerbolden i realtid og beregne dens bane.

Robotten blev trænet gennem såkaldt forstærkningslæring, som er en metode inden for maskinlæring, hvor robotten selv udforsker omgivelserne og lærer at opdage og følge bolden, bevæge sig mod den og svinge ketsjeren ved at prøve sig frem.

Lærer ved at fejle

Morten Goodwin sammenligner badmintonrobotten med den robothund, som firmaet Boston Dynamics udviklede for nogle år siden, men han påpeger, at forskellen er, at badmintonrobotten har lært gennem forstærkningslæring.

Herunder kan du se anden robot, robotten Spot, som er en terrængående robot, udviklet af det amerikanske firma Boston Dynamics.

»Det betyder i praksis, at den har prøvet og fejlet mange gange, før den fandt ud af, hvordan den skal holde ketsjeren og bevæge sig. Hver gang den fejler, bliver den en smule bedre. Boston Dynamics' robot er derimod programmeret. Det vil sige, at en ingeniør på forhånd har fastlagt hver eneste bevægelse.«

Han påpeger også, at brugen af forstærkningslæring i robotteknologi eller kunstig intelligens generelt ikke er noget nyt.

Det minder om måden, de bedste skakcomputere fungerer.

»Det, der har været svært, er at få det til at fungere i den virkelige verden. En robot kan i praksis ikke prøve 50 millioner gange for at blive god. Det ville tage helt ufattelig lang tid,« siger han.

Træner i simuleret miljø

For at udvikle badminton-robotten byggede forskerne først et virtuelt miljø med en badmintonbane og en digital kopi af robotten.

Robotten spillede så et slags computerspil, hvor dens 'hjerne' skulle følge virtuelle fjerbolde, der blev slået over nettet.

Derefter fik ANYmal et strengt træningsprogram med en virtuel 'træner', der belønnede robotten, når den gjorde noget rigtigt.

Fordi fjerbolden kan lande hvor som helst på banen, fik robotten også point for at bevæge sig effektivt og for at undgå unødvendig fart.

Efter 50 millioner simulerede træningsrunder udviklede forskerne et neuralt netværk, som kunne styre de 18 led og udføre realistiske slag.

Så blev netværket og 'hjernen' overført til den fysiske robot, og testene blev gennemført i et rigtigt miljø. Her blev robotten trænet med fjerbolde, der blev slået af en maskine, så forskerne kunne kontrollere hastighed og vinkel.

Halvdelen af et menneske

Resultaterne viser, at robotten kan følge og returnere fjerbolden med en slaghastighed på op til 12 meter i sekundet. Det er omtrent halvt så godt som en gennemsnitlig amatørspiller.

ANYmal tilpassede sine bevægelser alt efter, hvor langt den skulle flytte sig, og hvor meget tid den havde.

Den stod stille, hvis bolden landede tæt på, men når afstanden var omkring 1,5 meter, brugte den alle fire ben for at nå frem.

Ved cirka 2,2 meter begyndte robotten at 'galoppere' og springe, så armen fik en ekstra rækkevidde på én meter.

Ifølge Yuntao Ma er det en udfordring at få robotten til at bevæge sig hurtigt, mens den samtidig skal holde øje med bolden og vide, hvor den er på vej hen.

»Dette kompromis skal håndteres på en intelligent måde,« siger han.

Yuntao Ma blev overrasket over, hvor godt robotten formåede at koordinere sine 18 led. Hver motor lærte individuelt, men skulle samtidig samarbejde for at skabe en samlet bevægelse.

Forskerne bemærkede også, at ANYmal begyndte at trække mod midten af banen efter hvert slag for at forberede sig på næste bold – præcis som rigtige badmintonspillere gør.

Forstår ikke modstanderen

Men robotten tager ikke hensyn til modstanderens bevægelser. Det er ellers en vigtig del af, hvordan mennesker kan forudse, hvor fjerbolden kommer til at lande.

Morten Goodwin understreger, at robotten hverken har forståelse for modspillerens intentioner eller position.

»Den fungerer kun som et respons-system. Det er helt anderledes end den måde, vi mennesker spiller på,« siger han.

Forskerne foreslår nu at give robotten en slags 'nakke', så den kan følge bolden længere i luften.

Yuntao Ma mener, at forskningen kan få betydning langt ud over sport, eksempelvis i forbindelse med oprydning efter naturkatastrofer.

Morten Goodwin tilføjer, at robotforskning som denne også kan blive vigtig for redningsarbejde, industriel inspektion, smartere proteser, krigsrobotter og transportmidler.

©Forskning.no. Oversat af Stephanie Lammers-Clark. Læs den oprindelige artikel her.