Forskere ved Google DeepMind har utviklet en AI-drevet robot som er i stand til å spille bordtennis på amatørnivå.
Å registrere tilstedeværelsen av en bordtennisball, beregne retningen på den og bevege racket for å treffe den - alt på et brøkdels sekund - er en enorm oppgave innen robotteknologi.
DeepMinds robot er utstyrt med en IRB 1100-robotarm montert på to lineære portaler, som gjør at den kan bevege seg raskt over og mot bordet.
Den har et utrolig stort bevegelsesområde, og når de fleste områder av bordet for å slå ballen med en padle slik et menneske gjør.
"Øynene" er høyhastighetskameraer som tar bilder med 125 bilder i sekundet og sender data til et nevralt nettverksbasert persepsjonssystem som sporer ballens posisjon i sanntid.
AI-systemet som styrer roboten, benytter et sofistikert system med to nivåer:
- Kontrollere på lavt nivå (LLC): Dette er spesialiserte nevrale nettverk som er trent opp til å utføre spesifikke bordtennisferdigheter, for eksempel topspin-slag med forehanden eller backhand-målretting. Hver LLC er designet for å utmerke seg i et bestemt aspekt av spillet.
- High-Level Controller (HLC): Dette er systemets strategiske hjerne. HLC velger hvilken LLC som skal brukes for hver innkommende ball, basert på den aktuelle spilltilstanden, motstanderens spillestil og robotens egne evner.
Denne doble tilnærmingen gjør det mulig for roboten å kombinere presis utførelse av individuelle slag med strategi på et høyere nivå, slik at den etterligner måten menneskelige spillere tenker om spillet på.
En bro mellom simulering og den virkelige verden
En av de største utfordringene innen robotteknologi er å overføre ferdigheter lært i simuleringsmiljøer til den virkelige verden.
Den DeepMind studie dokumenterer flere teknikker for å løse dette:
- Realistisk fysikkmodellering: Forskerne brukte avanserte fysikkmotorer til å modellere den komplekse dynamikken i bordtennis, inkludert ballspinn, luftmotstand og samspillet mellom racket og ball.
- Randomisering av domener: Under treningen ble den kunstige intelligensen eksponert for et bredt spekter av simulerte forhold, noe som hjalp den med å generalisere til variasjonene den kunne møte i den virkelige verden.
- Tilpasning fra simulering til virkelighet: Teamet utviklet metoder for å finjustere de simulerte ferdighetene slik at de passer til virkelige prestasjoner, inkludert en ny "spinnkorreksjonsteknikk" for å håndtere forskjellene i padleoppførsel mellom simulering og virkelighet.
- Iterativ datainnsamling: Forskerne oppdaterte kontinuerlig treningsdataene sine med spill fra den virkelige verden, noe som skapte en stadig bedre læringssyklus.
En av robotens kanskje mest imponerende egenskaper er dens evne til å tilpasse seg i sanntid. I løpet av en kamp sporer systemet ulike statistikker om sin egen og motstanderens prestasjoner.
Den bruker denne informasjonen til å justere strategien underveis, og lærer seg å utnytte svakheter i motstanderens spill samtidig som den styrker sitt eget forsvar.
Evaluering av ping-pong-roboten
Så hvordan testet DeepMind bordtennisroboten sin?
Først rekrutterte teamet 59 frivillige spillere og vurderte bordtennisferdighetene deres, og kategoriserte dem som nybegynnere, middels gode, avanserte eller avanserte+ spillere. Fra det opprinnelige utvalget ble 29 deltakere på alle ferdighetsnivåer valgt ut til den fullstendige studien.
Deretter deltok en utvalgt spiller i tre konkurransespill mot roboten, etter modifiserte bordtennisregler for å ta hensyn til robotens begrensninger.
I tillegg til å samle inn kvantitative data fra roboten, gjennomførte forskerne korte, semistrukturerte intervjuer med hver enkelt deltaker om den generelle opplevelsen etter kampen.
Resultater
Totalt sett vant roboten 45% av kampene sine, noe som viser en solid totalprestasjon.
Det dominerte nybegynnere (vant 100% av kampene), og holdt stand mot middels gode spillere (vant 55%), men slet mot avanserte og avanserte+ spillere (tapte alle kampene).
Heldigvis for oss vanlige dødelige var det i det minste én stor svakhet: robotens vanskeligheter med å håndtere underspinn, noe som var en merkbar skavank mot mer erfarne spillere.
Hvis du ikke kan spille bordtennis i det hele tatt, eller bare synes du er ok til det, vil denne roboten likevel ha gode sjanser.
Barney J. Reed, en bordtennistrener, kommenterte studien"Det var virkelig fantastisk å se roboten spille mot spillere på alle nivåer og i alle stilarter. Målet vårt var at roboten skulle være på et middels nivå. Utrolig nok gjorde den nettopp det, alt det harde arbeidet lønte seg."
"Jeg føler at roboten overgikk selv mine forventninger. Det var en sann ære og glede å få være en del av denne forskningen. Jeg har lært så mye, og jeg er veldig takknemlig for alle jeg har hatt gleden av å jobbe med."
Dette er langt fra DeepMinds første forsøk innen sportsrobotikk og kunstig intelligens. For ikke lenge siden bygget de AI-fotballroboter i stand til å pasningsspill, takling og skyting.
DeepMind har gitt ut AI-verktøy for robotteknologi til utviklere i årevis og har nylig gjort gjennombrudd innen robotsyn og fingerferdighet.
Etter hvert som AI og robotteknologi fortsetter å utvikle seg, kan vi forvente å se flere eksempler på maskiner som mestrer oppgaver man tidligere trodde var forbeholdt mennesker.
Den dagen du kan utfordre en robot i bordtennis på det lokale samfunnshuset, er kanskje ikke så langt unna - men ikke bli overrasket hvis den slår deg i første runde.
