Heim >Technologie-Peripheriegeräte >KI >Ein vierbeiniger Roboter lernt, „auf zwei Beinen zu stehen und Treppen hinunterzugehen'! 83 % effizienter als Standsysteme
Erinnern Sie sich an das Roboterrennen mit Tesla?
Dies ist ein vierbeiniger, radbeiniger Roboter mit demselben Namen wie das Unternehmen, das von einem Spin-off-Unternehmen der Eidgenössischen Technischen Hochschule in Zürich, Switzerland-Swiss-Mile, früher bekannt als, entwickelt wurde Irgendein vierbeiniger Roboter.
Weniger als ein halbes Jahr seit dem Start mit Tesla hat es ein weiteres großes Upgrade erreicht.
Dieses Upgrade hat den Algorithmus des Roboters verbessert und die Bewegungsfähigkeit hat sich direkt verbessert. UP UP UP!
Sie können auf zwei Beinen stehen und die Treppe hinuntergehen:
(Inneres Betriebssystem des Herausgebers: Wenn ich beim Treppensteigen Rollschuhe trage, könnte ich fallen und Scheiße essen)
Wenn du vom Treppensteigen müde bist, nimm den Aufzug und drücke mit deinem Finger auf die Aufzugstür Vorderfuß:
Hindernisse mit Leichtigkeit bewältigen können:
Es weiß auch, wann man aufstehen und wann man sich „hinlegen“ muss, sowie den Wechsel zwischen Stehen Die Bewegung der Beine und des Vierbeiners ist flüssiger:
Swiss-Mile hat zuvor Methoden der modellprädiktiven Steuerung (MPC) und des Verstärkungslernens (RL) verwendet Dies erfordert jedoch langwierige Anpassungen, um die ideale Bewegungsmethode zu erhalten.
Bei diesem Algorithmus-Upgrade verwendeten die Forscher den Multi-AMP-Algorithmus (Adversarial Motion Priors Adversarial Motion Prior), um das traditionelle Reinforcement-Learning-Framework zu verbessern, das automatisch mehrere Bewegungs-Prioritäten für Nachahmungsziele und Bewegung ausführen kann Auswahlverfahren.
Was genau ist AMP?
Dies ist ein kontradiktorisches Lernsystem, das auf der Animation physischer Charaktere basiert und von Forschern der University of California, Berkeley und der Shanghai Jiao Tong University vorgeschlagen wurde. Swiss-Mile hat diese Methode zum ersten Mal auf einen echten Roboter angewendet!
Für das allgemeine Nachahmungslernen ist es normalerweise erforderlich, eine große Anzahl von Bewegungsclips manuell zu extrahieren, die als Tracking-Ziele nachgeahmt werden müssen. Durch die Verwendung von AMP können jedoch automatisch geeignete Bewegungsclips ausgewählt werden, um die Zielaufgabe zu erfüllen Durch Messung, Phase und Bewegungsclip-Auswahl lernt der Diskriminator, zwischen Richtlinien und Zustandsübergängen von Bewegungsdaten zu unterscheiden.
#🎜 🎜#
Forscher haben das Multi-AMP-Framework auf Swiss-Mile mit 16 Freiheitsgraden eingesetzt und dabei den Isaac Gym-Simulator verwendet. Mehr als 4.000 Roboter können in 42 Minuten gleichzeitig Fähigkeiten trainieren.Die erste Aufgabe ist die Vierfüßlerbewegung, und die Bewegungsdaten bestehen aus Bewegungen, die von der RL-Strategie aufgezeichnet wurden.
Das obige ist der detaillierte Inhalt vonEin vierbeiniger Roboter lernt, „auf zwei Beinen zu stehen und Treppen hinunterzugehen'! 83 % effizienter als Standsysteme. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!