Onderzoekers van Google DeepMind hebben een AI-robot ontwikkeld die in staat is om competitief tafeltennis te spelen op amateurniveau.
De aanwezigheid van een pingpongbal registreren, de richting ervan berekenen en het batje bewegen om de bal te raken - allemaal in een fractie van een seconde - is een gigantische taak in de robotica.
De robot van DeepMind is uitgerust met een IRB 1100 robotarm gemonteerd op twee lineaire portalen, waardoor hij snel over en naar de tafel kan bewegen.
Hij heeft een ongelooflijk bewegingsbereik en kan de meeste delen van de tafel bereiken om de bal met een batje te slaan, net zoals een mens dat doet.
De "ogen" zijn hogesnelheidscamera's die beelden vastleggen met 125 beelden per seconde en gegevens doorsturen naar een op een neuraal netwerk gebaseerd waarnemingssysteem dat de positie van de bal in realtime volgt.
Het AI-systeem dat de robot bestuurt, maakt gebruik van een geavanceerd systeem met twee niveaus:
- Low-Level Controllers (LLC's): Dit zijn gespecialiseerde neurale netwerken die zijn getraind om specifieke tafeltennisvaardigheden uit te voeren, zoals forehand topspin shots of backhand targeting. Elke LLC is ontworpen om uit te blinken in een bepaald aspect van het spel.
- High-Level Controller (HLC): Dit is het strategische brein van het systeem. De HLC kiest welk LLC te gebruiken voor elke inkomende bal, gebaseerd op de huidige spelstatus, de speelstijl van de tegenstander en de eigen mogelijkheden van de robot.
Dankzij deze tweeledige aanpak kan de robot de precieze uitvoering van individuele schoten combineren met een strategie op een hoger niveau, waardoor de manier waarop menselijke spelers over het spel denken wordt nagebootst.
Een brug slaan tussen simulatie en de echte wereld
Een van de grootste uitdagingen in de robotica is het overbrengen van vaardigheden die zijn geleerd in simulatieomgevingen naar de echte wereld.
De DeepMind onderzoek documenteert verschillende technieken om dit aan te pakken:
- Realistische natuurkundige modellering: De onderzoekers gebruikten geavanceerde fysica-engines om de complexe dynamica van tafeltennis te modelleren, waaronder de spin van de bal, luchtweerstand en de interacties tussen batjes en ballen.
- Domein randomisatie: Tijdens de training werd de AI blootgesteld aan een breed scala aan gesimuleerde omstandigheden, waardoor de AI kon generaliseren naar de variaties die hij in de echte wereld zou kunnen tegenkomen.
- Sim-naar-echt aanpassing: Het team ontwikkelde methoden om de gesimuleerde vaardigheden nauwkeurig af te stemmen op de prestaties in de echte wereld, waaronder een nieuwe "spincorrectietechniek" om de verschillen in peddelgedrag tussen simulatie en werkelijkheid op te vangen.
- Iteratieve gegevensverzameling: De onderzoekers werkten hun trainingsgegevens voortdurend bij met echte gameplay, waardoor een steeds betere leercyclus ontstond.
Misschien wel een van de meest indrukwekkende eigenschappen van de robot is zijn vermogen om zich in realtime aan te passen. Tijdens een wedstrijd houdt het systeem verschillende statistieken bij over zijn eigen prestaties en die van zijn tegenstander.
Het gebruikt deze informatie om zijn strategie direct aan te passen en leert zwakke plekken in het spel van de tegenstander uit te buiten terwijl het zijn eigen verdediging versterkt.
De pingpongrobot evalueren
Hoe heeft DeepMind hun tafeltennisrobot getest?
Eerst rekruteerde het team 59 vrijwillige spelers en beoordeelde hun tafeltennisvaardigheden, waarbij ze werden ingedeeld in beginners, halfgevorderden, gevorderden of gevorderden+ spelers. Uit de eerste groep werden 29 deelnemers van alle niveaus gekozen voor het volledige onderzoek.
Vervolgens nam een geselecteerde speler deel aan drie competitieve wedstrijden tegen de robot, volgens aangepaste tafeltennisregels om rekening te houden met de beperkingen van de robot.
Naast het verzamelen van kwantitatieve gegevens van de robot, hielden de onderzoekers na de wedstrijd korte, semigestructureerde interviews met elke deelnemer over hun algemene ervaring.
Resultaten
Over het geheel genomen won de robot 45% van zijn wedstrijden en liet daarmee een solide algemene prestatie zien.
Het domineerde beginners (won 100% aan wedstrijden) en hield stand tegen gemiddeldes (won 55%), maar had moeite tegen gevorderde en gevorderde+ spelers (verloor alle wedstrijden).
Gelukkig voor ons gewone stervelingen was er ten minste één grote zwakte: de problemen van de robot bij het omgaan met onderspin, wat een opvallende zwakke plek was in zijn pantser tegenover meer ervaren spelers.
Maar toch, als je helemaal niet kunt tafeltennissen of denkt dat je er maar net goed in bent, zal deze robot zijn kansen wagen.
Barney J. Reed, een tafeltenniscoach, gaf commentaar op het onderzoek"Echt geweldig om de robot te zien spelen tegen spelers van alle niveaus en stijlen. Bij aanvang was ons doel om de robot op een gemiddeld niveau te krijgen. Verbazingwekkend genoeg deed hij dat ook, al het harde werk heeft zijn vruchten afgeworpen."
"Ik heb het gevoel dat de robot zelfs mijn verwachtingen heeft overtroffen. Het was een eer en een genoegen om deel uit te maken van dit onderzoek. Ik heb zoveel geleerd en ben iedereen met wie ik heb mogen samenwerken erg dankbaar."
Dit is lang niet DeepMind's eerste uitstapje naar sportrobotica en AI. Niet zo lang geleden bouwden ze AI-voetbalrobots Kan passen, tackelen en schieten.
DeepMind heeft AI-robottools al jaren aan ontwikkelaars en recente doorbraken in robotzicht en behendigheid.
Naarmate AI en robotica zich verder ontwikkelen, kunnen we meer voorbeelden verwachten van machines die taken beheersen waarvan ooit werd gedacht dat het uitsluitend mensenwerk was.
De dag dat je een robot kunt uitdagen voor een potje tafeltennis in je plaatselijke buurthuis is misschien niet ver weg - wees alleen niet verbaasd als hij je in de eerste ronde verslaat.
