Forskere ved Google DeepMind har udviklet en AI-drevet robot, der er i stand til at spille bordtennis på amatørniveau.
At registrere tilstedeværelsen af en bordtennisbold, beregne dens retning og bevæge pagajen for at ramme den - alt sammen på et splitsekund - er en kæmpe opgave inden for robotteknologi.
DeepMinds robot er udstyret med en IRB 1100-robotarm monteret på to lineære portaler, som gør det muligt for den at bevæge sig hurtigt hen over og mod bordet.
Den har en utrolig bevægelsesfrihed og kan nå de fleste områder af bordet for at slå til bolden med en pagaj, som et menneske gør.
"Øjnene" er højhastighedskameraer, der tager billeder med 125 billeder i sekundet og sender data til et neuralt netværksbaseret perceptionssystem, der sporer boldens position i realtid.
Det AI-system, der styrer robotten, anvender et sofistikeret system med to niveauer:
- Controllere på lavt niveau (LLC'er): Det er specialiserede neurale netværk, der er trænet til at udføre specifikke bordtennisfærdigheder, f.eks. topspin-slag med forhånden eller baghåndsmål. Hver LLC er designet til at excellere i et bestemt aspekt af spillet.
- Controller på højt niveau (HLC): Dette er systemets strategiske hjerne. HLC vælger, hvilken LLC der skal bruges til hver indkommende bold, baseret på den aktuelle spiltilstand, modstanderens spillestil og robottens egne evner.
Denne dobbelte tilgang gør det muligt for robotten at kombinere præcis udførelse af individuelle skud med strategi på et højere niveau, hvilket efterligner den måde, menneskelige spillere tænker på spillet.
At bygge bro mellem simulation og den virkelige verden
En af de største udfordringer inden for robotteknologi er at overføre færdigheder, der er lært i simulationsmiljøer, til den virkelige verden.
Den DeepMind undersøgelse dokumenterer flere teknikker til at løse dette:
- Realistisk fysikmodellering: Forskerne brugte avancerede fysikmotorer til at modellere den komplekse dynamik i bordtennis, herunder boldspin, luftmodstand og padel-bold-interaktioner.
- Randomisering af domæner: Under træningen blev AI'en udsat for en lang række simulerede forhold, hvilket hjalp den med at generalisere til de variationer, den kunne støde på i den virkelige verden.
- Sim-til-virkelig tilpasning: Teamet udviklede metoder til at finjustere de simulerede færdigheder til den virkelige verden, herunder en ny "spin correction"-teknik til at håndtere forskellene i padleadfærd mellem simulering og virkelighed.
- Iterativ dataindsamling: Forskerne opdaterede løbende deres træningsdata med spil fra den virkelige verden og skabte på den måde en stadig bedre læringscyklus.
En af robottens mest imponerende funktioner er måske dens evne til at tilpasse sig i realtid. I løbet af en kamp sporer systemet forskellige statistikker om sin egen og modstanderens præstation.
Den bruger disse oplysninger til at justere sin strategi i farten og lærer at udnytte svagheder i modstanderens spil, mens den styrker sit eget forsvar.
Evaluering af bordtennisrobotten
Så hvordan testede DeepMind deres bordtennisrobot?
Først rekrutterede holdet 59 frivillige spillere og vurderede deres bordtennisfærdigheder og kategoriserede dem som begyndere, mellemliggende, avancerede eller avancerede+ spillere. Fra den oprindelige pulje blev 29 deltagere på alle niveauer udvalgt til den fulde undersøgelse.
Derefter deltog en udvalgt spiller i tre konkurrencespil mod robotten efter modificerede bordtennisregler for at tage højde for robottens begrænsninger.
Ud over at indsamle kvantitative data fra robotten gennemførte forskerne efter kampen korte, semistrukturerede interviews med hver deltager om deres samlede oplevelse.
Resultater
Samlet set vandt robotten 45% af sine kampe, hvilket viser en solid samlet præstation.
Det dominerede begyndere (vandt 100% af kampene) og klarede sig godt mod let øvede (vandt 55%), men havde det svært mod øvede og øvede+ spillere (tabte alle kampe).
Heldigvis for os almindelige dødelige var der i det mindste én stor svaghed: robottens problemer med at håndtere underspin, som var et markant hul i dens rustning i forhold til mere erfarne spillere.
Men hvis du slet ikke kan spille bordtennis eller synes, at du bare er ok til det, vil denne robot alligevel have gode chancer.
Barney J. Reed, en bordtennistræner, kommenterede undersøgelsen"Det er virkelig fantastisk at se robotten spille mod spillere på alle niveauer og i alle stilarter. Vores mål var, at robotten skulle være på et mellemniveau. Utroligt nok gjorde den netop det, alt det hårde arbejde betalte sig."
"Jeg føler, at robotten overgik selv mine forventninger. Det var en sand ære og fornøjelse at være en del af denne forskning. Jeg har lært så meget og er meget taknemmelig for alle, jeg har haft fornøjelsen af at arbejde sammen med."
Dette er langt fra DeepMinds første forsøg med sportsrobotik og AI. For ikke længe siden byggede de AI-fodboldrobotter i stand til at aflevere, tackle og skyde.
DeepMind har udgivet AI-værktøj til robotteknologi til udviklere i årevis og har for nylig gjort gennembrud i robot-syn og fingerfærdighed.
I takt med at AI og robotteknologi udvikler sig, kan vi forvente at se flere eksempler på maskiner, der mestrer opgaver, som man tidligere troede var forbeholdt mennesker.
Den dag, hvor du kan udfordre en robot til et spil bordtennis i dit lokale forsamlingshus, er måske ikke så langt væk - men bliv ikke overrasket, hvis den slår dig i første runde.
