Robot uczy się tańczyć walca naśladując ruchy ludzi

Naukowcy z Kalifornii opracowali robota, który podglądając ruchy ludzi tańczących walca, nauczył się jego podstawowych kroków. Wszystko dzięki systemowi sztucznej inteligencji o nazwie ExBody2, w który wyposażony został humanoidalny robot. Pozwala on kopiować i płynnie wykonywać ludzkie ruchy w niezwykle realistyczny sposób.

Technika przechwytywania ruchu (z j. ang. motion capture, w skrócie mocap) wykorzystywana podczas tworzenia gier czy filmów, polega na rejestrowaniu ruchów ludzi w 3D i opracowywania na ich podstawie postaci poruszających się niezwykle realistycznie. W procesie nagrywania ruchów, aktor czy model zakłada specjalny strój z dziesiątkami czujników, które przesyłają do komputerów dane o swoim położeniu. Technika ta znalazła zastosowanie również na innym polu. Okazuje się, że sztuczna inteligencja wyszkolona na nagraniach z przechwytywania ruchu może pomóc robotom płynnie naśladować ludzkie ruchy, a nawet taniec.

Badania nie przeszły jeszcze procesu recenzji. Można się z nimi zapoznać w bazie pre-printów arXiv (DOI: 10.48550/arXiv.2412.13196).

ExBody2

Zwinne roboty poruszające się jak ludzie i wykonujące imponujące akrobacje, jak te od Boston Dynamics, wykorzystują wcześniej zaprogramowane sekwencje. Nauczenie robotów wykonywania ludzkich ruchów w sposób realistyczny, jest trudnym zadaniem.

Xuanbin Peng z University of California w San Diego i jego współpracownicy wykorzystali setki nagrań wykonanych z użyciem techniki przechwytywania ruchu i wyszkolili na ich podstawie system sztucznej inteligencji, który nazwali ExBody2. Pozwala on robotom kopiować i płynnie wykonywać wiele różnych ruchów człowieka i to w bardzo realistyczny sposób.

„Prezentujemy ExBody2, platformę do śledzenia całego ciała, która może przyjmować dowolne referencyjne dane wejściowe dotyczące ruchu i sterować humanoidalnym robotem w celu naśladowania ruchu. Model jest szkolony za pomocą uczenia się przez wzmacnianie, a następnie przenoszony do świata rzeczywistego” – napisali autorzy w pre-princie.

Walc z robotem

Badacze najpierw stworzyli bazę danych działań, które humanoidalny robot mógłby wykonywać. Baza ta zawierała proste ruchy, takie jak stanie lub chodzenie, ale też i bardziej złożone manewry, jak ruchy taneczne. Baza zawierała nagrania z innych projektów badawczych zarejestrowane z wykorzystaniem techniki przechwytywania ruchu setek ochotników.

– Ponieważ humanoidalne roboty mają podobną strukturę fizyczną do naszej, ma sens wykorzystanie ogromnych ilości danych o ruchu człowieka, które są już dostępne — mówi Peng. – Ucząc się naśladować ruch człowieka, robot może szybko wychwycić szeroką gamę zachowań przypominających nasze. Oznacza to, że robot może potencjalnie nauczyć się wszystkiego, co potrafią zrobić ludzie – dodaje.

Peng i jego zespół zastosowali uczenie przez wzmacnianie, jedną z technik uczenia maszynowego. Algorytmy otrzymywały przykład tego, na czym polega udany ruch. Następnie same musiały się dowiedzieć, jak go wykonać za pomocą metody prób i błędów.

Uczeni najpierw szkolili system ExBody2 pozwalając mu na pełny dostęp do wszystkich danych, takich jak współrzędne każdego stawu nagrań z wykorzystaniem techniki przechwytywania ruchu, aby mógł jak najdokładniej naśladować ludzkie działania. Następnie kazali mu uczyć się na podstawie tych ruchów, ale tylko przy użyciu danych, do których miałby dostęp w świecie rzeczywistym, czyli tych z czujników na ciele robota.

Po szkoleniu ExBody2 został zaimplementowany do dwóch różnych robotów humanoidalnych. W krótkim czasie opanował proste ruchy i nauczył się je płynnie łączyć. Na przykład nauczył się chodzić w linii prostej a następnie kucnąć. Z czasem opanował trudniejsze ruchy. Nauczył się podstawowych ciosów bokserskich, a nawet tańczyć walca z człowiekiem.

– Roboty humanoidalne działają najlepiej, gdy koordynują wszystkie swoje kończyny i stawy. Wiele zadań i ruchów wymaga współpracy ramion, nóg i tułowia, a pełna koordynacja ciała znacznie rozszerza zakres możliwości robota – wyjaśnia Peng.

Źródło: New Scientist, fot. Xuxin Cheng / YouTube