Животные двигаются с такой точностью и адаптивностью, которой современные роботы пока только мечтают. Чтобы приблизиться к природе, исследователи из лаборатории Biohybrid and Organic Robotics Института робототехники Университета Карнеги-Меллона (Carnegie Mellon University) разработали новый подход на основе искусственного интеллекта. Они создают модели, которые показывают, как мозг и тело постоянно обмениваются информацией в реальном времени. Это позволит лучше понять биологические механизмы и перенести их в робототехнику.
Одна из главных задач лаборатории — создание нейромеханических моделей. Эти модели имитируют, как нервные сигналы и физическое движение непрерывно влияют друг на друга. Теоретически они очень мощные, но на практике их невероятно сложно строить. В них тысячи параметров, и даже крошечная ошибка в одном месте может привести к большим расхождениям между симуляцией и реальным поведением животного.
«Биологические системы невероятно сложны, — говорит Камила Фернандес (Camila Fernandez), аспирантка кафедры машиностроения. — Всё влияет на всё, и далеко не всегда понятно, какой именно параметр нужно подправить, когда результат не совпадает с реальностью».
Цифровой тренер
Чтобы убрать большую часть ручной подгонки, команда предложила системный подход на основе обучения с подкреплением (reinforcement learning). Вместо того чтобы учёные часами вручную подкручивали параметры, сравнивали результаты и начинали всё заново, новый метод использует ИИ как «цифрового тренера» модели.
«Это как будто у вашей модели появился личный тренер, — объясняет Фернандес. — Он говорит: “Вот этот параметр работает плохо, сосредоточьтесь именно на нём”».
Система количественно определяет, какие именно параметры больше всего отвечают за расхождения между реальными данными животного, исходной нейромеханической моделью и её цифровым двойником, созданным с помощью reinforcement learning. При этом она добавляет сложность только там, где это действительно необходимо, оставляя остальные части модели максимально простыми. Такой подход одновременно снижает вычислительные затраты и заметно повышает точность.
От симуляций к реальным роботам
Пока метод проверен на компьютерных моделях и роботизированных аналогах. Впереди — прямое сравнение с живыми животными и перенос технологии на физических роботов. Учёные уверены, что новый подход значительно ускорит научный прогресс.
«Мы по-прежнему смотрим на чёрный ящик и пытаемся понять, как он работает, — говорит Фернандес. — Если мы сможем быстрее строить и уточнять модели, то сможем задавать более точные вопросы и быстрее получать ответы».
Результаты исследования опубликованы в журнале npj Robotics.
