سگ رباتیک چهار پا برای بازی فوتبال در زمین های چمن شن و ماسه می تواند بازی کند
رباتیک در فوتبال
Robotics in football
اگر تا به حال با یک ربات فوتبال بازی کرده باشید، این یک احساس آشناست. در حالی که بوی علف در هوا نفوذ می کند، خورشید روی صورت شما می درخشد. شما به اطراف خود نگاه کنید می بینید که یک ربات چهار پا به سمت شما حرکت می کند و با اراده دریبل می کند .در حالی که این ربات سطحی از توانایی لیونل مسی را نشان نمی دهد، با این وجود یک سیستم دریبلینگ بی نظیر است. محققان آزمایشگاه هوش مصنوعی MIT، بخشی از آزمایشگاه علوم کامپیوتر و (CSAIL)، یک سیستم روباتیک ساخته اند که می تواند توپ فوتبال را در شرایطی مشابه انسان دریبل کند. این ربات از ترکیبی از سنجش و محاسبات داخلی برای عبور از زمین‌های مختلف طبیعی مانند ماسه ، شن، گل و برف و انطباق با تأثیر متفاوت آنها بر حرکت توپ استفاده می‌کرد.
مانند هر ورزشکاری متعهد، می تواند بلند شود و پس از سقوط توپ را بازیابی کند. برنامه نویسی ربات ها برای بازی فوتبال مدتی است که یک موضوع پر طرفدار برای تحقیقات بوده است. با این حال، می خواستند به طور خودکار یاد بگیرد که چگونه پاها را در حین دریبل زدن به حرکت درآورده می شود، تا بتواند مهارت های سخت اسکریپت را برای پاسخ به زمین های مختلف مانند برف، شن، ماسه، چمن و پیاده را پیدا کند.
وارد بخش شبیه سازی می شویم
We enter the simulation section
یک ربات، توپ، و زمین در داخل شبیه‌سازی قرار دارند .
می‌توانید ربات و سایر دارایی‌ها را بارگذاری کنید و پارامترهای فیزیکی را تنظیم کنید، و سپس شبیه‌سازی رو به جلوی دینامیک را از آنجا انجام دهید.
چهار هزار نسخه از ربات به صورت موازی در زمان واقعی شبیه‌سازی شده‌اند و جمع‌آوری داده‌ها را 4000 برابر سریع‌تر از استفاده از یک ربات ممکن می‌سازد. این داده های زیادی است.ربات بدون اینکه بداند چگونه توپ را دریبل کند، شروع به کار می کند - وقتی توپ را انجام می دهد فقط یک جایزه دریافت می کند یا وقتی به هم می ریزد، تقویت منفی دریافت می کند.بنابراین، اساساً در تلاش است تا بفهمد چه توالی نیروها را باید بر روی پاهای خود اعمال کند.
گیب مارگولیس، دانشجوی دکترای MIT، که همراه با Yandong Ji، دستیار پژوهشی در Improbable، کار را رهبری میکند، می‌گوید: «یکی از جنبه‌های این رویکرد یادگیری تقویتی این است که ما باید یک پاداش خوب طراحی کنیم تا ربات یک رفتار موفق دریبلینگ را یاد بگیرد. آزمایشگاه هوش مصنوعی هنگامی که ما آن پاداش را طراحی کردیم، زمان تمرین برای ربات فرا می رسد: در زمان واقعی، چند روز و در شبیه ساز صدها روز.با گذشت زمان یاد می‌گیرد که در دستکاری توپ فوتبال برای مطابقت با سرعت مورد نظر بهتر و بهتر شود."این ربات همچنین می تواند در زمین های ناآشنا پیمایش کند و به دلیل کنترل بازیابی که تیم در سیستم خود تعبیه کرده است، پس از سقوط بهبود یابد. این کنترلر به ربات اجازه می دهد پس از سقوط دوباره بلند شود و به کنترل کننده دریبلینگ خود برگردد تا به تعقیب توپ ادامه دهد و به آن کمک کند تا اختلالات و زمین های خارج از توزیع را مدیریت کند.
ربات دارای چرخ یا ربات دارای پا
A robot with wheels or a robot with legs
اگر امروز به اطراف نگاه کنید، بیشتر ربات‌ها چرخدار هستند. اما تصور کنید که یک فاجعه طبیعی همانند، سیل یا زلزله رخ بدهد و ما از روبات‌ها می‌خواهیم که به انسان‌ها در فرآیند جستجو و نجات کمک کنند. ما به ماشین‌ها برای عبور از زمین‌ها نیاز داریم.
پولکیت آگراوال، پروفسور MIT، محقق اصلی CSAIL و مدیر آزمایشگاه هوش مصنوعی Improbable، می‌گوید: «روبات‌های چرخدار نمی‌توانند از آن مناظر عبور کنند.» تمام هدف مطالعه ربات‌های دارای پا این است که به مناطقی خارج از دسترس بروند و اضافه می کند "هدف ما از توسعه الگوریتم‌هایی برای ربات‌های دارای پا در سیستم های رباتیک فعلی ، ایجاد استقلال در زمین‌های چالش‌برانگیز و پیچیده‌ای است که در حال حاضر خارج از دسترس هستند. شیفتگی ربات های چهار پا و فوتبال فوق العاده است.
پروفسور کانادایی آلن مک ورث ابتدا این ایده را در مقاله ای با عنوان " در مورد دیدن ربات ها" که در سال 1992 ارائه شد، ذکر کرده بود. محققان ژاپنی بعداً کارگاهی را با عنوان "چالش های بزرگ در هوش مصنوعی" ترتیب دادند که منجر به بحث هایی در مورد استفاده از فوتبال برای ترویج علم و فناوری شد. این پروژه یک سال بعد به عنوان Robot J-League راه اندازی شد و شور جهانی به سرعت به وجود آورد.چالش های بزرگ در هوش مصنوعی" ترتیب دادند که منجر به بحث هایی در مورد استفاده از فوتبال برای ترویج علم و فناوری شد. این پروژه یک سال بعد به عنوان Robot J-League راه اندازی شد و شور جهانی به سرعت به وجود آورد.
سگ رباتیک چگونه فوتبال بازی میکند؟
How does a robotic dog play soccer?
جی می گوید: "رویکردهای گذشته مشکل دریبلینگ را ساده می کند و یک فرضیه مدل سازی زمین صاف و سخت را ایجاد می کند. حرکت ها همچنین به گونه ای طراحی شده اند که ایستاتر باشند؛ ربات سعی نمی کند همزمان بدود و توپ را دستکاری کند." اینجاست که دینامیک‌های دشوارتر وارد مشکل کنترل می‌شوند. ما با گسترش پیشرفت‌های اخیر که جابجایی بهتر در فضای باز را در این کار ترکیبی که جنبه‌های حرکت و دستکاری ماهرانه را با هم ترکیب میکند، با آن مقابله کردیم.
در بخش سخت افزاری، ربات دارای مجموعه ای از حسگرها است که به آن اجازه می دهد محیط را درک کند، و به آن اجازه می دهد احساس کند که در آن شرایط قرار دارد، موقعیت خود را "درک" و برخی از محیط های اطراف خود را بتواند"ببیند".دارای مجموعه‌ای از محرک‌ها است که به آن اجازه می‌دهد نیرو اعمال کند و خود و اشیاء را حرکت دهد.
در بین حسگرها و محرک‌ها، رایانه یا «مغز» قرار دارد که وظیفه دارد داده‌های حسگر را به اقداماتی تبدیل کند که از طریق موتورها اعمال می‌شود. وقتی ربات روی برف کار می کند، برف را نمی بیند اما می تواند آن را از طریق حسگرهای موتور خود حس کند.''ما فوتبال یک شاهکار دشوارتر از راه رفتن است''
بنابراین تیم از دوربین‌های روی سر و بدن ربات برای یک روش حسی جدید بینایی، علاوه بر مهارت حرکتی جدید استفاده کرد. و سپس به کمک این سیستم ربات ما دریبل میزند.
مارگولیس می‌گوید: "روبات ما می‌تواند در طبیعت حرکت کند، زیرا تمام سنسورها، دوربین‌ها و محاسبات خود را روی بدنه خود حمل میکند. این امر مستلزم نوآوری‌هایی از لحاظ قرار دادن کل کنترلر در این محاسبات داخلی است." این یکی از حوزه‌هایی است که یادگیری به آن کمک میکند زیرا می‌توانیم یک شبکه عصبی سبک را اجرا کنیم.
سخن پایانی
final word
در تضاد کامل با بیشتر ربات‌های امروزی است:
معمولاً یک بازوی ربات روی یک پایه ثابت نصب می‌شود و روی یک میز کار می نشیند و یک کامپیوتر غول پیکر درشت به آن وصل است. نه کامپیوتر و نه حسگرها در بازوی سگ رباتیک نیستند!
بنابراین، کل چیز سنگین است و جابجایی آن سخت است."هنوز راه درازی برای ساختن این ربات‌ها به چابکی همتایان خود در طبیعت باقی مانده است و برخی از زمین‌ها برای DribbleBot چالش‌برانگیز بودند. در حال حاضر، کنترلر در محیط های شبیه سازی شده که شامل شیب ها یا پله ها هستند، آموزش ندیده است. ربات هندسه زمین را درک نمی کند. فقط خواص تماس مواد خود را برآورد می کند، مانند اصطکاک.به عنوان مثال، '' اگر یک پله بالا بیاید، ربات گیر می کند نمی تواند توپ را از روی پله بلند کند، منطقه ای که تیم می خواهد در آینده کاوش کند. '' محققان همچنین هیجان‌زده هستند که درس‌های آموخته‌شده در طول توسعه DribbleBot را برای کارهای دیگری که شامل حرکت ترکیبی و دستکاری اشیا، انتقال سریع اجسام مختلف از مکانی به مکان دیگر با استفاده از پاها یا بازوها است، به کار ببرند.
