Исследователи из Google DeepMind разработали робота с искусственным интеллектом, способного играть в настольный теннис на уровне человека-любителя.
Зарегистрировать присутствие шарика для пинг-понга, рассчитать его направление и переместить лопатку для удара - и все это за долю секунды - задача огромного масштаба в робототехнике.
Робот DeepMind оснащен роботизированной рукой IRB 1100, установленной на двух линейных порталах, которые позволяют ему быстро перемещаться по столу и к нему.
Он обладает невероятным диапазоном движений, достигая большинства областей стола, чтобы ударить по мячу веслом, как это делает человек.
Глаза" - это высокоскоростные камеры, которые снимают изображение со скоростью 125 кадров в секунду и передают данные в систему восприятия на основе нейронной сети, которая отслеживает положение мяча в режиме реального времени.
Система искусственного интеллекта, управляющая роботом, использует сложную двухуровневую систему:
- Контроллеры низкого уровня (LLC): Это специализированные нейронные сети, обученные выполнять определенные навыки игры в настольный теннис, такие как удары с форхенда или прицельные удары с бэкхенда. Каждая LLC разработана для того, чтобы преуспеть в определенном аспекте игры.
- Контроллер высокого уровня (HLC): Это стратегический мозг системы. HLC выбирает, какой LLC использовать для каждого входящего мяча, основываясь на текущем состоянии игры, стиле игры соперника и собственных возможностях робота.
Такой двойной подход позволяет роботу сочетать точное выполнение отдельных ударов со стратегией более высокого уровня, имитируя мышление человека во время игры.
Соединяя моделирование с реальным миром
Одна из самых сложных задач в робототехнике - перенос навыков, полученных в симуляционных средах, в реальный мир.
Сайт DeepMind исследование В документах описано несколько методов решения этой проблемы:
- Реалистичное физическое моделирование: Исследователи использовали передовые физические движки для моделирования сложной динамики настольного тенниса, включая вращение мяча, сопротивление воздуха и взаимодействие мяча с ракеткой.
- Рандомизация доменов: Во время обучения ИИ подвергался воздействию широкого спектра смоделированных условий, что помогло ему адаптироваться к вариациям, с которыми он может столкнуться в реальном мире.
- Адаптация симулятора к реальности: Команда разработала методы точной настройки смоделированных навыков для реальной работы, включая новую технику "коррекции вращения" для устранения различий в поведении весла между симуляцией и реальностью.
- Итеративный сбор данных: Исследователи постоянно обновляли учебные данные, используя реальный игровой процесс, создавая постоянно совершенствующийся цикл обучения.
Пожалуй, одной из самых впечатляющих особенностей робота является его способность адаптироваться в режиме реального времени. Во время матча система отслеживает различные статистические данные о своей производительности и производительности соперника.
Она использует эту информацию для корректировки своей стратегии на лету, учась использовать слабые места в игре противника и одновременно укрепляя собственную оборону.
Оценка робота для пинг-понга
Как же DeepMind тестировала своего робота для настольного тенниса?
Сначала команда набрала 59 игроков-добровольцев и оценила их навыки игры в настольный теннис, распределив их по категориям: начинающие, средние, продвинутые и продвинутые+ игроки. Из первоначального набора для полного исследования были отобраны 29 участников, которые соответствовали всем уровням мастерства.
Затем выбранный игрок участвовал в трех соревновательных матчах против робота, следуя модифицированным правилам настольного тенниса, учитывающим ограничения робота.
Помимо сбора количественных данных, полученных от робота, после матча исследователи провели краткие полуструктурированные интервью с каждым участником об их общих впечатлениях.
Результаты
В целом робот выиграл 45% своих матчей, продемонстрировав хорошую общую производительность.
Она доминировала над новичками (выиграв 100% матчей), держалась против середняков (выиграв 55%), но не справлялась с продвинутыми и продвинутыми+ игроками (проиграв все матчи).
К счастью для нас, простых смертных, у робота было как минимум одно слабое место: он с трудом справлялся с ундерспином, что было заметной брешью в его доспехах против более опытных игроков.
Тем не менее, если вы совсем не умеете играть в настольный теннис или считаете, что у вас это неплохо получается, этот робот оценит ваши шансы.
Барни Дж. Рид, тренер по настольному теннису, прокомментировал исследование"Потрясающе наблюдать за тем, как робот играет с игроками всех уровней и стилей. Мы стремились к тому, чтобы робот был среднего уровня. Удивительно, но он именно это и сделал, вся тяжелая работа окупилась".
"Я чувствую, что робот превзошел даже мои ожидания. Для меня было большой честью и удовольствием участвовать в этом исследовании. Я так многому научился и очень благодарен всем, с кем мне довелось работать над этим проектом".
Это далеко не первый опыт DeepMind в области спортивной робототехники и искусственного интеллекта. Не так давно они построили Футбольные роботы с искусственным интеллектом способный пасовать, перехватывать и стрелять.
Компания DeepMind выпускает Инструменты для робототехники с искусственным интеллектом разработчикам в течение многих лет и недавно совершила прорыв в зрение и ловкость робота.
По мере развития ИИ и робототехники мы можем ожидать появления новых примеров того, как машины справляются с задачами, которые раньше считались исключительно человеческими.
Не за горами тот день, когда вы сможете вызвать робота на партию в настольный теннис в местном общественном центре - только не удивляйтесь, если он победит вас в первом раунде.
