Forskare vid Google DeepMind har utvecklat en AI-driven robot som kan spela bordtennis i tävlingssammanhang på amatörnivå.
Att registrera närvaron av en pingisboll, beräkna dess riktning och flytta paddeln för att träffa den - allt på en bråkdels sekund - är en enorm uppgift inom robottekniken.
DeepMinds robot är utrustad med en IRB 1100-robotarm som är monterad på två linjära portaler, vilket gör att den snabbt kan röra sig över och mot bordet.
Den har ett otroligt rörelseomfång och når de flesta områden på bordet för att slå bollen med en paddel som en människa gör.
"Ögonen" är höghastighetskameror som tar bilder med 125 bilder per sekund och matar data till ett neuralt nätverksbaserat perceptionssystem som följer bollens position i realtid.
AI-systemet som styr roboten använder sig av ett sofistikerat system i två nivåer:
- Styrenheter på låg nivå (LLC): Dessa är specialiserade neurala nätverk som tränats för att utföra specifika bordtennisfärdigheter, till exempel forehand topspin-slag eller backhand targeting. Varje LLC är utformad för att utmärka sig i en viss aspekt av spelet.
- Högnivåstyrenhet (HLC): Detta är systemets strategiska hjärna. HLC väljer vilken LLC som ska användas för varje inkommande boll, baserat på det aktuella speltillståndet, motståndarens spelstil och robotens egna förmågor.
Detta dubbla tillvägagångssätt gör att roboten kan kombinera exakt utförande av enskilda skott med strategi på högre nivå, vilket efterliknar hur mänskliga spelare tänker på spelet.
Överbrygga simulering med den verkliga världen
En av de största utmaningarna inom robotteknik är att överföra färdigheter som lärs ut i simuleringsmiljöer till den verkliga världen.
Den DeepMind studie dokumenterar flera tekniker för att hantera detta:
- Realistisk fysikalisk modellering: Forskarna använde avancerade fysikmotorer för att modellera den komplexa dynamiken i bordtennis, inklusive bollspinn, luftmotstånd och interaktioner mellan padel och boll.
- Randomisering av domäner: Under utbildningen utsattes AI:n för ett stort antal simulerade förhållanden, vilket hjälpte den att generalisera till de variationer som den kan stöta på i verkligheten.
- Anpassning från simulator till verklighet: Teamet utvecklade metoder för att finjustera de simulerade färdigheterna för verkliga prestationer, inklusive en ny teknik för "spinnkorrigering" för att hantera skillnaderna i paddelbeteende mellan simulering och verklighet.
- Iterativ datainsamling: Forskarna uppdaterade kontinuerligt sina träningsdata med verkliga spel, vilket skapade en ständigt förbättrad inlärningscykel.
En av robotens kanske mest imponerande egenskaper är dess förmåga att anpassa sig i realtid. Under en match följer systemet upp olika statistiska uppgifter om sin egen och motståndarens prestation.
Den använder denna information för att justera sin strategi i farten och lära sig att utnyttja svagheter i motståndarens spel samtidigt som den stärker sitt eget försvar.
Utvärdering av pingpong-roboten
Så, hur testade DeepMind sin bordtennisrobot?
Först rekryterade teamet 59 frivilliga spelare och bedömde deras bordtennisfärdigheter och kategoriserade dem som nybörjare, medelgoda, avancerade eller avancerade+ spelare. Från den första poolen valdes 29 deltagare som spände över alla skicklighetsnivåer ut för den fullständiga studien.
Därefter deltog en utvald spelare i tre tävlingsmatcher mot roboten, enligt modifierade bordtennisregler för att ta hänsyn till robotens begränsningar.
Förutom att samla in kvantitativa data från roboten genomförde forskarna efter matchen korta, semistrukturerade intervjuer med varje deltagare om deras övergripande upplevelse.
Resultat
Totalt sett vann roboten 45% av sina matcher, vilket visar på en solid övergripande prestanda.
Det dominerade nybörjare (vann 100% av matcherna) och stod sig väl mot medelgoda spelare (vann 55%), men hade svårt mot avancerade och avancerade+ spelare (förlorade alla matcher).
Lyckligtvis för oss vanliga dödliga fanns det åtminstone en stor svaghet: robotens svårighet att hantera underspin, vilket var en anmärkningsvärd spricka i dess rustning mot mer erfarna spelare.
Om du inte kan spela bordtennis alls eller tycker att du bara är okej på det, kommer den här roboten ändå att ha goda chanser.
Barney J. Reed, bordtennistränare, kommenterade studien"Det är verkligen fantastiskt att se roboten spela mot spelare på alla nivåer och i alla stilar. Vårt mål var att roboten skulle vara på en mellannivå. Otroligt nog gjorde den just det, allt hårt arbete lönade sig."
"Jag tycker att roboten överträffade till och med mina förväntningar. Det var en sann ära och ett nöje att få vara en del av den här forskningen. Jag har lärt mig så mycket och är mycket tacksam för alla som jag har haft nöjet att arbeta med."
Det här är långt ifrån DeepMinds första utflykt till sportrobotik och AI. För inte så länge sedan byggde de AI fotbollsrobotar kan passa, tackla och skjuta.
DeepMind har publicerat AI-verktyg för robotteknik utvecklare i åratal och har nyligen gjort genombrott inom robot-vision och fingerfärdighet.
I takt med att AI och robotteknik fortsätter att utvecklas kan vi förvänta oss att se fler exempel på maskiner som klarar av uppgifter som tidigare ansågs vara uteslutande mänskliga domäner.
Den dag då du kan utmana en robot på en match bordtennis i din lokala fritidsgård är kanske inte långt borta - bli bara inte förvånad om den slår dig i första omgången.
