Mit використовує ai, щоб зробити mini cheetah робот швидше, ніж будь-коли
Останні кілька десятиліть побачили роботи, які йдуть від лісоматеріальних бегемотів, які ледве могли б зробити крок до спритніх контрактів, які можуть робити зворотні тварини та танцювати. Багато роботи переходить у викладання роботів, як рухатися, тому дослідники все частіше звертаються до АІ, щоб зробити важкий підйом, і команда в MIT бачила особливо швидкі результати. "Міні-гепард", спроектований на лабораторії комп'ютерної науки та штучного інтелекту (CSAL), встановив новий особистий найкращий для швидкості руху за допомогою алгоритмів навчання, які забезпечують його вчитися від кожного падіння.
Більшість роботів, які ви бачили, як це було запрограмно, гуляючи на рівні поверхні. Те ж саме стосується, що динаміка Бостона з усіма своїми чудовими роботами-демонстраційними відеороликами - програмісти мають письмовий код, який розповідає роботах, як рухатися, щоб ходити, стрибати або зробити зворотний біг. Однак ви не можете пояснити кожну можливу ситуацію або поверхню навіть з армією програмістів. Нейрона мережа може бути використана для використання досвіду робота, те, що ми біологічні організми роблять весь час.
Після багатьох років ходьби по нерівномірних поверхнях ваш мозок знає, що робити, якщо ви втрачаєте тягу. Ви не завжди будете врятувати себе від падіння, але ви можете навчитися та налаштувати свою поведінку наступного разу. Команда MIT керувала щось подібне для Mini Cheetah, використовуючи AI та сучасні інструменти моделювання. Робот може отримати досвідом на 100 днів лише три години фактичного часу. Через випробування та помилку, робота стає кращим на навігації світу, і ніхто не повинен явно не повідомляти, як це зробити.
Нейрона мережа гепарда дозволила досягти своєї найвищої швидкості: 3,9 метра в секунду, або близько 8,7 миль на годину. Це дотик швидше, ніж середня людина може бігти. Цікаво, що робот може відрегулювати свою ходу, оскільки вона зустрічає різні поверхні та перешкоди. Робот виглядає менш елегантний у цьому режимі, скремлюючи навколо, таким чином, що виглядає шаленим і неорганізованим, але виявляється більш ефективним. Відео вище показує кілька прикладів Mini Cheetah успішно справляються з зміною умов, коли витончена людська-програмована версія падає плоскою.
Команда бачить цей підхід до робототехніки як необхідність майбутнього. Це компроміс між природою та вихованням, за словами MIT Phd Student Gabriel Margolis та Postdoc Ge Yang. Вони відзначають, що така ж система може навчати роботів обробляти багато різних завдань. Ми просто повинні звикнути до не розповідаючи роботів як того, що робити, і як це зробити - це рамка, кажуть, не масштабовано. У майбутньому нам доведеться дозволити роботам вчитися, а Mini Cheetah вийшов спереду.
Читати далі
Як Windows використовує кілька ядер процесора?
У наш час ми сприймаємо багатоядерну обізнаність як належне, але як спочатку взаємодіють центральний процесор та операційна система?
Apple: Mac Mini M1 використовує одну третину електроенергії процесора Intel
Apple опублікувала офіційні дані про споживання енергії на M1 Mac mini. Нова система використовує менше третини потужності аналогічної системи Intel.
Google використовуватиме камеру Pixel для вимірювання пульсу та дихання
Як і багато інших проектів машинного навчання Google, цей перший виходить на перший план для телефонів Pixel, і більше телефонів, ймовірно, отримають це рішення.
Медіасервери Plex використовуються для посилення DDoS-атак
Дослідники стверджують, що належним чином використаний сервер Plex може збільшити розмір DDoS-пакетів майже в п’ять разів, роблячи ці атаки набагато більшими. Зараз користувачі Plex не можуть багато з цим зробити.