Учёные из Великобритании разработали новый метод обучения роботов на основе искусственного интеллекта, который помогает им уверенно переносить навыки из виртуальной симуляции в реальный мир. Теперь для подготовки роботов к сложным промышленным задачам требуется гораздо меньше дорогих и рискованных физических тестов. Технология особенно перспективна для переработки аккумуляторов, производства и работы в опасных условиях.
Главная головная боль разработчиков — так называемый «sim-to-real gap», разрыв между симуляцией и реальностью. Робот, идеально обученный в виртуальной среде, часто пасует при встрече с реальными помехами: шумом сенсоров, изменением свойств материалов, неожиданными силами и другими непредсказуемыми факторами.
Команда из Университета Астона и Университета Бирмингема нашла изящное решение. Они используют ИИ, чтобы прямо во время обучения в симуляции автоматически создавать множество вариаций условий окружающей среды. Благодаря этому робот заранее учится адаптироваться и в реальном мире работает стабильнее.
Как это работает на практике
Вместо того чтобы тратить недели на реальные испытания, робот сначала осваивает сложные задачи — манипуляции и резку материалов — в виртуальной среде. Затем небольшое количество реальных данных помогает «подшлифовать» навыки. Результат — более стабильное и гибкое поведение без огромных объёмов физических экспериментов.
«Используя ИИ для генерации вариаций условий, новая методика позволяет роботам гораздо надёжнее переносить навыки из симуляции в реальность, используя при этом лишь небольшой объём реальных данных», — объясняют исследователи.
Особенно полезно для опасных задач
Технология особенно ценна там, где прямое тестирование дорого или небезопасно. Один из ярких примеров — автоматизированная переработка литиевых аккумуляторов, где роботам приходится работать с повреждёнными и потенциально опасными элементами. Работа ведётся в рамках европейского проекта REBELION при поддержке UK Research and Innovation.
Доктор Алиреза Растегарпанах (Dr. Alireza Rastegarpanah), доцент по прикладному ИИ и робототехнике в Университете Астона, подчёркивает: «Эта работа показывает, что мы можем выйти за рамки чисто симуляционного обучения и добиваться надёжной работы в реальных условиях с минимальным количеством дополнительных данных. Наша долгосрочная цель — создать plug-and-play интеллектуальные робототехнические системы, которые можно быстро разворачивать в новых условиях с минимальной перенастройкой».
Исследование опубликовано в журнале Scientific Reports.
