(Video: Sergei Lupashin)
Flyvende robotter, som kaster bordtennisbolde frem og tilbage i luften.
Sådan så det ud for to år siden, da studerende fra det tekniske universitet i Zürich lærte flyvende robotter at gribe, kaste og jonglere med bordtennisbolde – helt uden hjælp fra mennesker.
Eller ikke helt, for mennesker havde selvfølgelig programmeret den avancerede algoritme bag helikopterrobotternes boldforståelse. Det er nemlig sådan noget de gør ved universitetets Institute for Dynamic Systems and Control: Lærer robotter at være kloge.
Og for den unge kandidatstuderende Dario Brescianini, var bordtennis ikke klogt nok. Han studerer kunstig intelligens, og nu ville han forsøge at gøre robotterne endnu bedre cirkusartister: De skulle lære at jonglere med stave - eller omvendte penduler, som den unge kandidatstuderende kalder dem.
Men hvordan lærer man lige en flyvende-tallerken-robot at balancere, gribe og kaste en stav? Svaret er matematik.
Matematik lader robotterne se ind i fremtiden
Den kandidatstuderende og hans hold gav robotterne to matematiske modeller til at handle ud fra. Den ene model gør dem i stand til at forudsige pendulets bevægelse i luften - et pendul er nemlig ikke lige så nemt at gribe som en bordtennisbold. Det skal helst ske, når pendulet er lodret, hvorimod det er ligegyldigt for en rund bold.
Når robotten så ved, hvordan pendulet vil vende i luften, kan den ved hjælp af matematisk model nummer to forudsige pendulets bane. På den måde ved robotten, hvor den skal flyve hen for at gribe staven.
Det hele sker lynhurtigt. Den gennemsnitlige faldtid for pendulerne i forsøget var blot 0,65 sekunder, så de små robotter skulle være gode til hovedregning for at reagere i tide.
Avanceret algoritme giver robotterne realitetssans
Men selvom robotterne var i stand til at beregne alt, opstod der stadig en del fejl. De matematiske modeller var gode, men de var stadig kun tilnærmelser af virkeligheden. Pendulet følger ikke modellens spådom til punkt og prikke.
Derfor udviklede Dario en læringsalgoritme, så robotterne kunne huske, hvordan modellen afveg fra virkeligheden og optimerede dermed deres sandsynlighed for at gribe staven.
Og resultatet, når alle systemerne arbejder sammen? Det kan du se i videoen lige her:
(Video: Dario Brescianini)
