Robot berkaki empat berbiaya rendah yang dapat belajar melalui pembelajaran penguatan
Spotlight

Robot berkaki empat berbiaya rendah yang dapat belajar melalui pembelajaran penguatan


RealAnt: robot berkaki empat berbiaya rendah bersumber terbuka untuk penelitian pembelajaran penguatan dunia nyata. Kredit: Ote Robotics Ltd, lisensi CC BY 4.0.

Selama dekade terakhir ini, ahli robot dan ilmuwan komputer telah mencoba menggunakan pendekatan pembelajaran penguatan (RL) untuk melatih robot agar dapat menavigasi lingkungan mereka secara efisien dan menyelesaikan berbagai tugas dasar. Membangun robot terjangkau yang dapat mendukung dan mengelola kontrol eksplorasi yang terkait dengan algoritma RL, sejauh ini terbukti cukup menantang.

Para peneliti di Aalto University dan Ote Robotics baru-baru ini menciptakan RealAnt, robot berkaki empat berbiaya rendah yang dapat digunakan secara efektif untuk menguji dan menerapkan algoritme RL. Platform robotika baru, disajikan dalam makalah yang telah diterbitkan sebelumnya di arXiv, adalah versi dunia nyata yang minimalis dan terjangkau dari lingkungan simulasi robot ‘Semut’, yang sering digunakan dalam penelitian RL.

“Inspirasi awal untuk pekerjaan kami adalah studi RL yang berhasil mendemonstrasikan pembelajaran berjalan dari awal pada simulasi robot humanoid berkaki empat seperti semut,” kata Jussi Sainio, salah satu pendiri Ote Robotics, kepada Tech Xplore. “Premis yang mendasari algoritme RL adalah bahwa memprogram robot untuk melakukan tugas menjadi jauh lebih mudah dan lebih ‘alami’ — seseorang hanya perlu menentukan pengukuran sensor yang tersedia, aksi motorik, kemudian menetapkan sasaran target dan memasukkan semuanya ke dalam pembelajaran penguatan algoritma, yang mencari tahu sisanya. “

Awalnya, algoritme RL hanya akan bekerja dengan baik jika dilatih pada simulasi robot selama ribuan jam. Namun, baru-baru ini, ilmuwan komputer mampu mengajarkan robot berkaki empat yang diilhami semut untuk berjalan menggunakan data pelatihan yang sangat sedikit, mencapai apa yang dikenal sebagai efisiensi sampel yang tinggi. Hal ini membuat pelatihan langsung robot di dunia nyata menjadi mungkin, menghilangkan kebutuhan akan pelatihan berbasis simulasi.

“Kami segera menyadari bahwa robot berjalan seperti RealAnt tidak tersedia dengan mudah dan terjangkau, terutama untuk pembelajaran penguatan, yang dapat dengan mudah merusak robot dengan kontrol yang kasar,” jelas Sainio. “Tidak ada tumpukan perangkat lunak dan perangkat keras gabungan lengkap yang dapat diambil seseorang dan memulai pembelajaran penguatan dunia nyata, dibandingkan dengan lingkungan simulator. Saya kemudian mulai membuat prototipe perangkat lunak antarmuka dan robot saya sendiri.”

Tujuan utama dari pekerjaan baru-baru ini oleh Sainio dan rekan-rekannya adalah untuk menciptakan platform robotika sederhana dan berbiaya rendah berdasarkan solusi RL dasar yang ada. Platform seperti itu akan memungkinkan lebih banyak peneliti untuk membangun dan menguji robot otonom yang dapat menyelesaikan berbagai tugas dasar di dunia nyata.

RealAnt, robot berkaki empat yang mereka ciptakan, serba guna, minimalis, dan berbiaya rendah. Selain itu, ia dapat secara mandiri belajar berjalan, menggerakkan kakinya secara terkoordinasi, dan dapat merasakan posisi dan orientasinya dalam lingkungan tertentu. Menggunakan algoritme RL, Real Ant dapat dilatih untuk melakukan berbagai tugas sederhana namun berharga.

“Seseorang dapat menganggap platform RealAnt sebagai versi dunia nyata dari lingkungan simulator ‘Ant’, yang merupakan tolok ukur populer untuk RL,” kata Sainio. “Ini adalah salah satu platform termudah untuk memulai pembelajaran penguatan dan robot dunia nyata. Keuntungan utama dari platform RealAnt adalah tersedia dengan mudah dan terjangkau.”

Membangun RealAnt membutuhkan biaya sekitar $ 410 untuk bahan dan komponen individualnya mudah diperoleh. Selain itu, robot dapat dirakit dalam waktu kurang dari satu jam setelah masing-masing bagiannya disiapkan. Baik perangkat keras dan perangkat lunaknya adalah open source dan robot yang dirakit lengkap juga dapat dengan mudah dibeli secara online di situs web Ote Robotic.

Biaya fabrikasi yang rendah dan fakta bahwa mudah dirakit membuat RealAnt dapat diakses oleh banyak orang di seluruh dunia. Selain itu, lebih mudah untuk menyebarkan dalam jumlah yang lebih besar daripada robot yang lebih mahal dan canggih di pasaran saat ini.

“Platform RealAnt mencakup perangkat keras robot yang diperlukan (motor, sensor) dan tumpukan perangkat lunak (komunikasi, pelacakan) untuk berinteraksi dengan robot, dan solusi pembelajaran penguatan dasar yang kami terbitkan berfungsi sebagai contoh bagaimana ia dapat diajarkan untuk berjalan dari awal,” Kata Sainio. “Contoh solusi sederhana dan menggunakan sedikit panduan untuk setiap tugas pembelajaran — dalam istilah ML, kami tidak melakukan banyak rekayasa penghargaan manual untuk membentuk kinerja pembelajaran — yang membuat penetapan tugas baru menjadi sederhana dan lugas.”

Salah satu alasan mengapa robot RealAnt lebih terjangkau dibandingkan hewan berkaki empat lain yang mendukung RL adalah karena tubuhnya bergerak menggunakan 8 motor servo pintar berbiaya rendah, daripada motor yang lebih mahal dan canggih. Selain itu, untuk melacak posisi dan orientasinya, robot menggunakan tag AR yang dapat dengan mudah dicetak di atas kertas dan webcam eksternal yang tidak mahal.

“Bagian tubuh robot semuanya dicetak 3-D dan cukup kecil untuk dicetak menggunakan sebagian besar printer 3-D konsumen,” kata Sainio. “Hal ini membuat platform lebih murah untuk diproduksi dan dimodifikasi daripada robot dengan komponen yang dibuat menggunakan pendekatan potongan laser atau logam mesin atau lembaran plastik. Karena desain RealAnt menggunakan motor berbiaya rendah, kami mengendarainya dengan hati-hati dengan membatasi torsi maksimum dan karenanya mereka dapat menahan gerakan kasar yang terus menerus selama eksplorasi acak dan pelatihan tugas. “

Sainio dan rekan-rekannya mengevaluasi RealAnt baik dalam simulasi maupun eksperimen dunia nyata. Robot ini bekerja dengan sangat baik dalam semua pengujian ini, menunjukkan harapan yang besar untuk berbagai aplikasi.

Sejauh ini, sebagian besar teknik ML dan RL untuk aplikasi robotika terutama dilatih dalam lingkungan simulasi. Para peneliti berharap RealAnt akan membuka kemungkinan baru yang menarik di lapangan, karena robot dapat dilatih dan diuji baik dalam simulasi maupun di dunia fisik.

“RealAnt dapat berfungsi sebagai lingkungan robotika dunia nyata dan tolok ukur untuk RL, membantu mengardekan lingkungan simulasi dengan kenyataan,” jelas Sainio. “Membuat fisik nyata, robot berkaki yang bisa belajar berjalan atau melakukan tugas lain dari awal, tanpa simulator, masih merupakan prestasi yang relatif baru dan langka. Robotika dunia nyata sulit untuk dilakukan dengan benar, jadi saya anggap itu bagus pencapaian untuk menciptakan platform robot minimal yang benar-benar baru yang mampu RL. “

Platform robotika yang dibuat oleh Sainio dan rekan-rekannya dapat segera membantu tim lain untuk menguji algoritma RL dan ML mereka pada robot sungguhan. Para peneliti berharap bahwa RealAnt akan mendorong pengembangan untuk berbagai aplikasi, misalnya dalam pengaturan pertanian, di mana robot pembelajaran mandiri dapat digunakan untuk membasmi gulma dan memanen tanaman, membantu mempromosikan keanekaragaman hayati dan bahkan mungkin untuk mengurangi penggunaan pestisida.

“Kami sekarang bermaksud untuk menyempurnakan dan memperluas platform RealAnt untuk meningkatkan kemampuan perangkat keras, seperti memberi robot kemampuan penginderaan yang lebih canggih dan kemungkinan manipulator, dan menjalankan beberapa robot secara bersamaan, dengan membangun di atas platform dasar yang sekarang tersedia secara online, “kata Sainio. “Kami juga meneliti cara untuk membuat RealAnt berjalan atau menyelesaikan tugas lain yang lebih menantang lebih cepat, sehingga mengurangi waktu pelatihan lebih jauh.”


Tangan robot selangkah lebih dekat dengan manusia berkat algoritma AI


Informasi lebih lanjut:
Rinu Boney dkk. RealAnt: Sumber terbuka berkaki empat berbiaya rendah untuk penelitian dalam pembelajaran penguatan dunia nyata. arXiv: 2011.03085 [cs.RO]. arxiv.org/abs/2011.03085

© 2020 Science X Network

Kutipan: RealAnt: Robot berkaki empat berbiaya rendah yang dapat belajar melalui pembelajaran penguatan (2020, 4 Desember) diakses pada 4 Desember 2020 dari https://techxplore.com/news/2020-12-realant-low-cost-quadruped-robot. html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Pengeluaran SGP Hari Ini