Ett team av australiensiska forskare har utformat en tillförlitlig strategi för att testa fysiska förmågor hos humanoida robotar – robotar som liknar den mänskliga kroppsformen i sin konstruktion och design. Genom att använda en blandning av maskininlärningsmetoder och algoritmer, forskargruppen lyckades göra det möjligt för testrobotar att effektivt reagera på okända förändringar i den simulerade miljön, förbättra sina chanser att fungera i den verkliga världen.

Resultaten, som publicerades i en gemensam publikation av IEEE och Chinese Association of Automation Journal of Automatica Sinica i juli, har lovande implikationer i den breda användningen av humanoida robotar inom områden som sjukvård, utbildning, katastrofinsatser och underhållning.

"Humanoida robotar har förmågan att röra sig på många sätt och därigenom imitera mänskliga rörelser för att slutföra komplexa uppgifter. För att kunna göra det, deras stabilitet är avgörande, speciellt under dynamiska och oförutsägbara förhållanden, " sa motsvarande författare Dacheng Tao, Professor och ARC-pristagare vid School of Computer Science och fakulteten för teknik vid University of Sydney.

"Vi har designat en metod som på ett tillförlitligt sätt lär humanoida robotar att kunna utföra dessa uppgifter, " lade Tao till, som också är invigningschef för UBTECH Sydney Artificial Intelligence Centre.

Humanoida robotar är robotar som liknar människors fysiska egenskaper – huvudet, en överkropp, och två armar och fötter – och har förmågan att kommunicera med människor och andra robotar. Utrustad med sensorer och andra inmatningsenheter, Dessa robotar utför också begränsade aktiviteter enligt extern input.

De är vanligtvis förprogrammerade för specifika aktiviteter och förlitar sig på två typer av inlärningsmetoder:modellbaserade och modellfria. Den förstnämnda lär en robot en uppsättning modeller som den kan använda för att bete sig i ett scenario, medan den senare inte gör det. Även om båda inlärningsmetoderna har varit framgångsrika i viss utsträckning, varje paradigm ensam har inte visat sig tillräckligt för att utrusta en humanoid robot för att bete sig i ett verkligt scenario där miljön förändras konstant och ofta oförutsägbart.

För att övervinna detta, Tao och hans team introducerade en ny inlärningsstruktur som innehåller delar av både modellbaserad och modellfri inlärning för att balansera en tvåfotad, eller tvåbent, robot. Den föreslagna kontrollmetoden överbryggar klyftan mellan de två inlärningsparadigmen, där övergången från att lära sig modellen till att lära sig själva proceduren har genomförts smidigt. Simuleringsresultat visar att den föreslagna algoritmen kan stabilisera roboten på en rörlig plattform under okända rotationer. Som sådan, dessa metoder visar att robotarna kan anpassa sig till olika oförutsägbara situationer i enlighet därmed och kan därför tillämpas på robotar utanför laboratoriemiljön.

I framtiden, forskarna hoppas kunna validera sin metod under mer komplexa miljöer med mer oförutsägbara och föränderliga variabler och med varierande dimensioner när de testar robotarnas förmåga att utöva full kroppskontroll.

"Vårt slutmål blir att se hur vår metod gör det möjligt för roboten att ha kontroll över hela sin kropp då den utsätts för omätbara och oväntade störningar som en föränderlig terräng. Vi skulle också vilja se robotens förmåga att lära sig att imitera mänsklig rörelse, såsom fotledsrörelser, utan att ha fått förhandsinformation."