Minigepard stworzony przez MIT nie jest najszybszym robotem czworonożnym na świecie. W 2012 r. jego większy brat – gepard – osiągnął maksymalną prędkość 45,5 km/h. Minigepard jest jednak znacnzie zwinniejszy, a jednocześnie potrafi uczyć się bez wykonywania choćby jednego kroku.
Czytaj też: W MIT opracowano nowy, tani katalizator, który może pomóc nam w produkcji wodoru
Na załączonym materiale wideo widać, jak czworonożny robot zderza się z przeszkodami i odzyskuje równowagę, a także dostosowuje się do śliskiego, oblodzonego terenu. Zdolności adaptacyjne maszyna zawdzięcza zaimplementowanej sieci neuronowej, która potrafi ocenić nowe sytuacje.
Zazwyczaj ruchy robotów są kontrolowane przez systemy, które wykorzystują dane oparte na analizie ruchu kończyn mechanicznych. Modele te są często nieefektywne i niewystarczające, ponieważ nie są w stanie przewidzieć każdej zaistniałej sytuacji.
Gdy robot porusza się z maksymalną prędkością, działa na granicy możliwości, co sprawia, że bardzo trudno jest go modelować, więc robot ma problemy z szybkim dostosowaniem się do nagłych zmian w otoczeniu. Aby temu zaradzić, zamiast analitycznie zaprojektowanych maszyn, takich jak Spot firmy Boston Dynamics, które polegają na ludzkiej analizie fizyki ruchu i ręcznym konfigurowaniu sprzętu, zespół z MIT wybrał robota, który uczy się przez własne doświadczenia.
Minigepard uczy się metodą prób i błędów, bez udziału człowieka. Jeżeli robot zbierze wystarczająco dużo doświadczenia poruszania się po różnych terenach, będzie automatycznie poprawiał swoje zachowanie. Nie musi przy tym w ogóle się przemieszczać. Minigepard może zebrać 100 dni doświadczenia w ciągu zaledwie trzech godzin, tylko stojąc w miejscu.
Opracowaliśmy metodę, dzięki której zachowanie robota poprawia się na podstawie symulowanych doświadczeń, a nasze krytyczne podejście umożliwia również skuteczne zastosowanie tych wyuczonych zachowań w świecie rzeczywistym. Intuicja podpowiada nam, dlaczego umiejętności biegania robota sprawdzają się w prawdziwym świecie: spośród wszystkich środowisk, które robot widzi w symulatorze, tylko niektóre nauczą go umiejętności przydatnych w prawdziwym świecie. Podczas działania w rzeczywistym świecie nasz kontroler identyfikuje i wykonuje odpowiednie umiejętności w czasie rzeczywistym.Gabriel Margolis z MIT
