همکاری Boston Dynamics و RAI برای پیشرفت ربات اطلس

شرکت Boston Dynamics  و موسسه رباتیک RAI همکاری جدیدی برای بهبود توانایی‌های ربات انسان‌نمای اطلس در محیط‌های واقعی آغاز کرده‌اند.

به گزارش تکناک، Boston Dynamics برای همگام شدن با پیشرفت‌های رباتیک چین، همکاری جدیدی با مؤسسه رباتیک و هوش مصنوعی (RAI Institute) آغاز کرده است. هدف این همکاری ارتقای توانایی‌های یادگیری تقویتی ربات انسان‌نمای برقی Atlas است. تمرکز این همکاری بر بهبود قابلیت‌های تعاملی و حرکت‌های انعطاف‌پذیرتر و قابل تعمیم‌تر ربات می‌باشد.

این دو شرکت پیش از این بر روی پروژه‌هایی مانند کیت تحقیقاتی یادگیری تقویتی Spot که سال گذشته معرفی شد، همکاری داشته‌اند. این کیت به Spot کمک کرده تا سرعت رکورد ۵.۲ متر بر ثانیه را به دست آورد. حالا این همکاری جدید قرار است به ربات اطلس قدرتی بیشتر در انجام وظایف پیچیده بدهد.

در آوریل ۲۰۲۴، Boston Dynamics پس از از رده خارج کردن نسخه هیدرولیک Atlas، نسخه جدید و کاملاً برقی آن را معرفی کرد که برای کاربردهای واقعی در دنیای امروز طراحی شده است.

یادگیری ربات‌ها در مسیر پیشرفت

هر دو Boston Dynamics و RAI Institute توسط مارک رابت، استاد پیشین MIT و مدیرعامل سابق Boston Dynamics، تأسیس شده‌اند. RAI Institute که در سال ۲۰۲۲ بنیان‌گذاری شد، با هدف گسترش تحقیقات پیشرفته در زمینه رباتیک و فراتر از محدودیت‌های تجاری موجود فعالیت می‌کند.

هیوندای که در سال ۲۰۲۱ مالکیت Boston Dynamics را به دست آورد، همچنین از این مؤسسه حمایت مالی می‌کند. این مؤسسه مانند TRI تویوتا در راستای پیشرفت‌های رباتیک فعالیت می‌کند. همکاری‌های بین Boston Dynamics، TRI و RAI Institute همگی در تلاشند تا ربات انسان‌نمای Atlas را در مسیر یادگیری بهتر و تطبیق‌پذیرتر با محیط‌های مختلف پیش ببرند.

روبرت پلیتر، مدیرعامل Boston Dynamics، در این خصوص گفته است: ما در دوران بسیار هیجان‌انگیزی برای توسعه ربات‌های انسان‌نما زندگی می‌کنیم، اما برای اینکه این ربات‌ها واقعاً مفید باشند، باید به اندازه کافی انعطاف‌پذیر باشند تا در محیط‌های مختلف کار کنند و وظایف گوناگونی را انجام دهند.

یادگیری تقویتی و شبیه‌سازی پیشرفته

همکاری با RAI Institute به تقویت فرآیند یادگیری تقویتی، که مبتنی بر روش آزمون و خطا است، متمرکز شده است. این فرآیند که معمولاً زمان زیادی می‌برد، اکنون با استفاده از شبیه‌سازی‌های پیشرفته تسریع شده و به ربات‌ها این امکان را می‌دهد که در زمان‌های کوتاه‌تری وظایف متعددی را یاد بگیرند.

در همین زمان،‌ شرکت رباتیک چینی AgiBot مجموعه داده جدیدی به نام AgiBot World Alpha  معرفی کرده که شامل بیش از یک میلیون مسیر از ۱۰۰ ربات در ۱۰۰ سناریو مختلف است. این داده‌ها به منظور بهبود آموزش ربات‌های هوش مصنوعی طراحی شده‌اند.

Unitree نیز اخیراً مجموعه داده‌ای متن‌باز برای حرکت طبیعی‌تر ربات‌های خود منتشر کرده است. این داده‌ها برای ربات‌های انسان‌نمای H1، H1-2 و G-1 طراحی شده‌اند و به آن‌ها این امکان را می‌دهند که حرکات طبیعی‌تری از جمله رقصیدن انجام دهند.

پیشرفت‌های چین در صنعت رباتیک با ربات SE01

در همین راستا، ربات انسان‌نمای SE01 از شرکت EngineAI که به خاطر گام‌های شبیه به انسان خود شناخته شده است، در ویدیو جدیدی که در ماه ژانویه منتشر شد، توجه‌ها را به خود جلب کرد. این ربات در کنار انسان‌ها در خیابان‌های شنژن چین حرکت می‌کند و نشان‌دهنده پیشرفت‌های قابل توجه چین در زمینه رباتیک است.

توسعه ربات Atlas

هدف اصلی همکاری بین Boston Dynamics و موسسه RAI، حل مشکلات بزرگ در زمینه یادگیری تقویتی برای ربات‌ها است.

این همکاری بر سه زمینه اصلی متمرکز است:

• انتقال از شبیه‌سازی به واقعیت: یکی از چالش‌های بزرگ در یادگیری ربات‌ها، انتقال سیاست‌های آموزشی از مرحله شبیه‌سازی به ربات‌های واقعی است. این تیم‌ها قصد دارند با توسعه سیاست‌های یادگیری تقویتی، رفتارهای چابک و قابل تطبیق را روی ربات‌های واقعی پیاده‌سازی کنند.
• دستکاری همزمان با حرکت کل بدن: ربات‌ها باید بتوانند به‌طور هماهنگ با اشیاء تعامل کنند و حرکت خود را با آن‌ها ترکیب کنند. برای مثال، باز کردن درها یا استفاده از اهرم‌ها. هدف این همکاری این است که توانایی ربات‌ها در کار با اشیاء در دنیای واقعی بیشتر شود.
• استراتژی‌های تماس با تمام بدن: در انجام وظایفی پیچیده مانند دویدن یا استفاده از اشیاء سنگین، ربات‌ها باید هماهنگی دقیقی بین دست‌ها و پاهای خود داشته باشند. این کار نیازمند استفاده از یادگیری تقویتی برای مدیریت تماس‌های پیچیده است که بدون محدودیت‌های از پیش تعریف‌شده انجام می‌شود.

حرکت به سوی کارآیی بیشتر

این همکاری به دنبال پیشرفت مرزهای یادگیری تقویتی است و قصد دارد ربات انسان‌نمای Atlas را قادر سازد تا وظایف متنوع‌تری را با عملکرد بالا در محیط‌های واقعی انجام دهد. این دستاوردها می‌توانند چشم‌انداز آینده رباتیک را تغییر دهند و به ربات‌ها قدرت بیشتری در انجام کارهای روزمره و پیچیده بدهند.