سگ رباتیکی با سرعت ۳ متر در ثانیه

بر اساس بیانیه مطبوعاتی منتشر شده توسط این موسسه، یک گروه پژوهشی به رهبری پروفسور جمین هوانگبو(Jemin Hwangbo) از دپارتمان مهندسی مکانیک، این ربات چهارپا و فناوری کنترلی آن را ساخته‌اند.
«سویونگ چوی»(Suyoung Choi) نویسنده ارشد این مطالعه می‌گوید: این فناوری کنترل کننده را می‌توان بدون اطلاعات قبلی در مورد زمینی که ربات می‌خواهد روی آن راه برود یا بدود، مورد استفاده قرار داد، بنابراین می‌توان آن را در مطالعات مختلف روی راه رفتن ربات‌ها اعمال کرد.

وی افزود: مشخص شده است که ارائه یک کنترل کننده مبتنی بر یادگیری با تجربه‌ی تماس نزدیک با زمینی که تغییر شکل می‌دهد، ضروری است.این گروه پژوهشی، سیستمی را برای این ربات چهارپا ایجاد کردند که نیرویی را که توسط ربات بر زمین ساخته شده از مواد دانه‌ای مانند شن اعمال می‌شود، مدیریت کند.آنها همچنین ساختاری برای یک شبکه عصبی مصنوعی ایجاد کردند که می‌تواند راه برود و در لحظه تصمیم بگیرد، در حالی که با انواع مختلف زمین‌ها، آن هم بدون هرگونه دانش قبلی سازگار است.

پژوهشگران می‌گویند هدف از توسعه این فناوری، توسعه یادگیری تقویتی و گسترش دامنه کاربرد ربات‌های چهارپا است.یادگیری تقویتی یک تکنیک یادگیری هوش مصنوعی است که برای ساخت رایانه‌ای استفاده می‌شود که اطلاعاتی را در مورد نتایج اقدامات مختلف در یک شرایط تصادفی جمع‌آوری می‌کند و از آن اطلاعات برای انجام یک کار استفاده می‌کند.

رایبو هم که مجهز به هوش مصنوعی است، با شبکه عصبی آموزش دیده خود، توانایی خود را برای کار در محیط‌های مختلف از جمله توانایی حرکت سریع و راه رفتن و چرخش روی سطوح نرم مانند تشک بادی یا شن و ماسه بدون از دست دادن تعادل نشان داد.با توجه به حجم عظیمی از داده‌های مورد نیاز برای یادگیری تقویتی، جمع‌آوری داده‌ها از طریق شبیه‌سازی‌هایی که شباهت زیادی به فرآیندهای فیزیکی در دنیای واقعی دارند، روندی معمول است.

پژوهشگران همچنین یک ساختار شبکه عصبی مصنوعی ایجاد کردند که از یک شبکه عصبی بازگشتی برای ارزیابی مجموعه داده‌های زمانی از حسگرهای ربات به منظور پیش‌بینی ضمنی خواص زمین استفاده می‌کند.
این کنترل کننده بر روی ربات RaiBo نصب شد تا منجر به راه رفتن و دویدن سریع آن با سرعت ۳.۰۳ متر در ثانیه در یک ساحل شنی شود، در حالی که پاهای این ربات کاملاً مدفون در شن و ماسه بود.بنابراین رایبو بدون برنامه نویسی یا اصلاح بیشتر در الگوریتم کنترل قادر بود به طور پیوسته حتی زمانی که در سطوح ناهموارتری مانند چمنزار استفاده می‌شد، به خوبی حرکت کند.پیش‌بینی می‌شود که این روش شبیه‌سازی و یادگیری به توسعه ربات‌هایی کمک کند که می‌توانند فعالیت‌های عملی خود را در انواع زمین‌ها انجام دهند.این پژوهش در مجله Science Robotics منتشر شده است.