En robust, anpassningsbar robot som reagerar på sin miljö i farten och övervinner hinder som ett brutet ben utan mänsklig inblandning kan användas för att rädda människor från en jordbävningszon eller städa upp platser som är för farliga för människor.

Det är en del av ett arbetsfält som bygger maskiner som kan ge realtidshjälp med endast begränsad data som input. Standardalgoritmer för maskininlärning behöver ofta bearbeta tusentals möjligheter innan man bestämmer sig för en lösning, vilket kan vara opraktiskt i trycksatta scenarier där snabb anpassning är avgörande.

Efter Japans kärnkraftskatastrof i Fukushima 2011, till exempel, robotar skickades in i kraftverket för att rensa upp radioaktivt skräp under förhållanden som var alldeles för farliga för människor. Problemet, säger robotteknikforskaren professor Jean-Baptiste Mouret är att robotarna hela tiden gick sönder eller stötte på faror som stoppade dem i deras spår.

Som en del av ResiBots initiativ, han konstruerar en billigare robot som kan hålla länge utan att behöva konstant mänskligt underhåll för brott och är bättre på att övervinna oväntade hinder.

ResiBots-teamet använder vad det refererar till som mikrodatainlärningsalgoritmer, som kan hjälpa robotar att anpassa sig framför ens ögon på liknande sätt som hur djur reagerar på problem. Ett djur kommer, till exempel, hittar ofta ett sätt att fortsätta röra sig om de blir skadade, även om de inte vet exakt vad problemet är.

I kontrast, de flesta nuvarande robotar självdiagnostiserar ett problem innan de utarbetar ett sätt att övervinna det, säger prof. Mouret, huvudutredare på ResiBots och en senior forskare vid forskningscentret Inria i Frankrike.

"Vi försöker genväga detta genom att hitta ett sätt för dem att reagera utan att nödvändigtvis ha utvecklat en förståelse för vad som är fel, " han sa.

I stället för självdiagnos, Syftet med dessa robotar är att på ett proaktivt sätt genom försök och misstag lära sig vilka alternativa åtgärder de kan vidta. Detta kan hjälpa dem att övervinna svårigheter och stoppa dem från att stänga av i situationer som katastrofscenarier som Fukushima, sa prof. Mouret.

Detta kanske inte är fullständig artificiell intelligens, men prof. Mouret påpekar att det inte är nödvändigt att ha kunskap om allt för att få en robot att fungera.

"Vi försöker inte lösa allt, " sa han. "Jag är mer intresserad av hur de kan anpassa sig – och, faktiskt, att anpassa sig till vad som händer är något av det som gör djur intelligenta."

Simulerad barndom

I ett av de mest lovande tillvägagångssätten som utvecklats i ResiBots-projektet, robotarna har en simulerad barndom, där de lär sig olika sätt att röra sin kropp med hjälp av en algoritm som söker i förväg för att samla in exempel på användbara beteenden.

Detta innebär att när man letar efter ett sätt att röra sig, robotarna måste välja mellan en av cirka 13, 000 beteenden istället för uppskattningsvis 10 ⁴⁷ alternativ som standardalgoritmer kan välja mellan. Och målet är att de bara ska prova en handfull av dessa innan de hittar en som fungerar.

De flesta av ResiBots tester genomförs just nu på en sexbent robot som försöker hitta nya sätt att röra sig efter att ha tagit bort ett eller flera ben. I de senaste försöken, Prof. Mouret sa att robotarna lärde sig att gå på en till två minuter efter att deras ena ben tagits av, vilket innebär att de i allmänhet behöver testa färre än 10 beteenden innan de hittar ett som fungerar.

Totalt, forskarna arbetar på ett halvdussin robotar med olika komplexitetsnivåer inklusive en barnliknande humanoid robot känd som iCub. Även om den mycket mer komplexa iCub ännu inte används i många försök, laget hoppas kunna göra det mer med tiden.

"Humanoider har potentialen att vara mycket mångsidiga och anpassa sig väl till miljöer designade för människor, " sade prof. Mouret. "Till exempel, kärnkraftverk har dörrar, spakar och stegar som var designade för människor."

Det finns, dock, några stora utmaningar kvar att övervinna, inklusive det faktum att en robot måste flyttas tillbaka till sin startposition när en lem har tagits bort, istället för att kunna fortsätta från skadeplatsen mot målet.

Säkerhet

Det finns också större säkerhetsfrågor som involverar sådana robotar - till exempel se till att de inte skadar jordbävningsöverlevande när de räddar dem, speciellt om roboten lär sig genom att trial and error, sa prof. Mouret.

Han tror att det kommer att ta minst fyra eller fem år innan en sådan robot kan användas på fältet, men är hoppfull om att teknikerna så småningom kan användas i alla typer av robotar – inte bara de för katastrofsituationer, men i hemmet och andra scenarier.

Men det är inte bara mekanik som kan hjälpa robotar att navigera i den verkliga världen. Robotar kan också anpassa sig bättre om de starkare kan koppla språk till verkligheten.

Professor Gemma Boleda vid Universitat Pompeu Fabra i Spanien, har en bakgrund inom lingvistik och hennes team försöker koppla forskning inom detta område till artificiell intelligens för att hjälpa maskiner att bättre förstå världen runt dem, som en del av ett projekt som heter AMORE.

Det är något som kan vara användbart för att göra teknik som GPS mer intelligent. Till exempel, när du kör i bil, GPS-systemet kan ange att du svänger höger där "det stora trädet" är, skiljer den från flera andra träd.

Prof. Boleda säger att detta har varit svårt att göra tidigare på grund av svårigheten att modellera hur människor länkar språk med verkligheten.

"Förr, språket hade i stort sett representerats ur sitt sammanhang, " sade prof. Boleda.

AMOREs mål är att få datorer att förstå ord och begrepp i ett verkligt sammanhang snarare än som enskilda ord isolerat, hon säger. Till exempel, en robot skulle lära sig att koppla frasen "den här hunden" med en riktig hund i rummet, representerar både orden och de verkliga enheterna.

"Kruxet med dessa modeller är att de kan lära sig sina egna representationer från data, " tillade hon. "Innan, forskare var tvungna att berätta för maskinen hur världen såg ut. "

Att ge maskiner en bättre förståelse för omvärlden kommer att hjälpa dem att göra "mer med mindre" när det gäller mängden data de behöver och bli bättre på att förutsäga resultat, Prof. Boleda sa.

Det kan också hjälpa till med frågan om att ha tillräckligt med fysiskt utrymme på enheter som mobiltelefoner för nästa våg av intelligenta applikationer.

"Jag jobbar med språk, men detta problem med att behöva mycket data är ett problem som plågar många andra domäner av artificiell intelligens, " sa prof. Boleda. "Så om jag utvecklar metoder som kan göra mer med mindre, då kan dessa också tillämpas på annat håll."