การพัฒนาของหุ่นยนต์ต้องเผชิญกับช่องว่างระหว่างสภาพแวดล้อมที่จำลองและโลกแห่งความเป็นจริงเสมอ Nvidia Gear Laboratory และทีมวิจัยมหาวิทยาลัย Carnegie Mellon เมื่อไม่นานมานี้ได้พัฒนากรอบใหม่ที่เรียกว่า ASAP โดยมีเป้าหมายที่จะปิดช่องว่างและก้าวหน้าอย่างมาก
ในการพัฒนาหุ่นยนต์ช่องว่างระหว่างสภาพแวดล้อมที่จำลองและโลกแห่งความเป็นจริงเป็นความท้าทายที่สำคัญเสมอ เมื่อเร็ว ๆ นี้ Nvidia Gear Laboratory และทีมวิจัยมหาวิทยาลัย Carnegie Mellon ร่วมกันพัฒนากรอบใหม่ที่เรียกว่า ASAP (การจำลองการจำลองและฟิสิกส์จริง) โดยมีเป้าหมายที่จะปิดช่องว่าง ระบบมีความคืบหน้าอย่างมีนัยสำคัญในการลดการจำลองหุ่นยนต์และข้อผิดพลาดในการเคลื่อนไหวในชีวิตจริงและสามารถลดข้อผิดพลาดในการเคลื่อนไหวได้ประมาณ 53%ซึ่งมีข้อได้เปรียบที่สำคัญกว่าวิธีการที่มีอยู่
เวิร์กโฟลว์ของกรอบ ASAP แบ่งออกเป็นสองขั้นตอน ก่อนอื่นหุ่นยนต์ได้รับการฝึกฝนในสภาพแวดล้อมเสมือนจริงจากนั้นใช้โมเดลพิเศษเพื่อจัดการกับความแตกต่างในโลกแห่งความเป็นจริง โมเดลนี้สามารถเรียนรู้และปรับความแปรปรวนระหว่างการเคลื่อนไหวเสมือนจริงและการเคลื่อนไหวจริงทำให้การแปลงการกระทำที่แม่นยำยิ่งขึ้น ผ่านระบบนี้หุ่นยนต์สามารถถ่ายโอนการเคลื่อนไหวที่ซับซ้อนโดยตรงเช่นการกระโดดและการเตะจากสภาพแวดล้อมที่จำลองไปสู่ความเป็นจริง
ในการทดสอบจริงทีมวิจัยใช้หุ่นยนต์ Humanoid UNITREE G1 ซึ่งแสดงให้เห็นถึงการเคลื่อนไหวที่ยืดหยุ่นที่หลากหลายเช่นการกระโดดไปข้างหน้ามากกว่าหนึ่งเมตร การทดสอบแสดงให้เห็นว่าระบบ ASAP มีประสิทธิภาพสูงกว่าวิธีอื่น ๆ ที่มีอยู่ในความแม่นยำในการเคลื่อนไหว เพื่อแสดงให้เห็นถึงศักยภาพของระบบนักวิจัยยังปล่อยให้หุ่นยนต์เลียนแบบการเคลื่อนไหวของนักกีฬาที่มีชื่อเสียงเช่น Cristiano Ronaldo, LeBron James และ Kobe Bryant อย่างไรก็ตามข้อ จำกัด ของฮาร์ดแวร์บางอย่างก็ถูกเปิดเผยในระหว่างการทดลองมอเตอร์ของหุ่นยนต์มักจะร้อนเกินไปเมื่อทำการเคลื่อนไหวแบบไดนามิกและเมื่อรวบรวมข้อมูลหุ่นยนต์สองตัวก็เสียหาย
นี่เป็นเพียงจุดเริ่มต้นทีมวิจัยกล่าว ในอนาคตกรอบ ASAP อาจช่วยให้หุ่นยนต์เรียนรู้การเคลื่อนไหวที่เป็นธรรมชาติและหลากหลายมากขึ้น เพื่ออำนวยความสะดวกในการมีส่วนร่วมของนักวิจัยมากขึ้นพวกเขาได้เผยแพร่รหัสสาธารณะเกี่ยวกับ GitHub เพื่อกระตุ้นให้นักวิจัยคนอื่น ๆ สำรวจและพัฒนาเพิ่มเติมตามกรอบ
ประเด็นสำคัญ:
กรอบ ASAP ที่พัฒนาโดยทีมวิจัยสามารถลดข้อผิดพลาดได้ประมาณ 53% ระหว่างการจำลองหุ่นยนต์และการเคลื่อนไหวจริง
ด้วยการฝึกอบรมในสภาพแวดล้อมที่จำลองและรวมกับโมเดลพิเศษ ASAP สามารถปรับประสิทธิภาพการเคลื่อนไหวของหุ่นยนต์ได้อย่างมีประสิทธิภาพ
ในระหว่างการทดสอบหุ่นยนต์ประสบความสำเร็จในการเลียนแบบการเคลื่อนไหวของดารากีฬาหลายแห่ง แต่ในระหว่างการทดลองมีปัญหาเรื่องความร้อนสูงเกินไปของฮาร์ดแวร์และอุปกรณ์
การเปิดตัว Framework ASAP ได้นำความหวังใหม่มาสู่การพัฒนาเทคโนโลยีหุ่นยนต์และคาดว่าจะนำไปใช้ในสาขามากขึ้นในอนาคต