Google DeepMind بارکور را معرفی می کند که معیاری برای ربات های چهارپا است

انسان نماهای دوپا ممکن است در واقع در حال آمدن باشند – اما چهارپاها در حال حاضر اینجا هستند. آن‌ها در آزمایشگاه‌ها هستند، در نیروگاه‌ها و پالایشگاه‌ها بازرسی می‌کنند، فوتبال بازی می‌کنند و حتی – به نگرانی خیلی‌ها – تبدیل به پلیس می‌شوند.

Boston Dynamics’ Spot به راحتی در میان این دسته از افراد قابل تشخیص است، اما بسیاری از استارتاپ‌ها و مؤسسات تحقیقاتی چرخش خود را در این دسته قرار داده‌اند. هک، حتی شیائومی هم به دلایلی یکی را ساخته است. در حالی که تامین کنندگان دوپاها به دنبال اثبات کار خود هستند، چهارپاها در حال انجام کار هستند.

تیم DeepMind گوگل (که اخیراً بخش بزرگی از تیم محاصره شده ربات‌های روزمره آلفابت را جذب کرده است) به تازگی یک مقاله تحقیقاتی منتشر کرده است که در آن یک سیستم معیار بالقوه برای تعیین کمیت عملکرد این ماشین‌ها ارائه شده است. با نامی مانند «بارکور»، باید به این فکر کرد که آیا این دپارتمان نسبت به این عنوان عقب مانده است یا خیر.

تحقیقات گوگل به شاهکارهای چشمگیر مختلفی که چهارپاها در طول سال ها به انجام رسانده اند، از پیاده روی در کوه، دویدن و پریدن اشاره می کند (همانطور که یک استاد دانشگاه MIT یک بار به من گفت: «تلنگ زدن بسیار ساده تر از راه رفتن است»)، اما واقعاً چنین چیزی وجود نداشته است. خط پایه برای تعیین کارایی سیستم

اعتبار تصویر: گوگل

با توجه به اینکه این ماشین‌ها از حیوانات الهام گرفته‌اند، تیم تحقیقاتی تشخیص داد که حیوانات واقعی بهترین عملکرد آنالوگ را برای همتایان روباتیک خود ارائه می‌کنند. این به معنای راه‌اندازی یک مسیر مانع در آزمایشگاه و داشتن سگی بود که آن را اداره کند. این مسیر از چهار مانع در یک منطقه 5×5 متری تشکیل شده بود که به گفته وی چگالی تر از سگ نشان می دهد که الهام گرفته از آن است.

عملکرد در مقیاس 0 تا 1 رتبه بندی می شود – یک باینری ساده برای تعیین اینکه آیا ربات می تواند با موفقیت از فضا در 10 ثانیه یا بیشتر عبور کند که سگی با اندازه مشابه این کار را انجام دهد یا خیر. جریمه‌های مختلف برای سرعت‌های آهسته و پرش یا ناکام ماندن از موانع در مسیر است. گوگل نتیجه می گیرد:

ما معتقدیم که ایجاد معیاری برای رباتیک پاها اولین قدم مهم در تعیین کمیت پیشرفت به سمت چابکی در سطح حیوانات است. […] یافته‌های ما نشان می‌دهد که Barkour یک معیار چالش‌برانگیز است که می‌توان آن را به راحتی سفارشی کرد، و اینکه روش مبتنی بر یادگیری ما برای حل معیار، یک ربات چهارپا با یک خط‌مشی واحد سطح پایین ارائه می‌کند که می‌تواند انواع مهارت‌های سطح پایین چابک را انجام دهد.

این سازمان می‌گوید که بارکور حتی در مواجهه با رویداد غیرمنتظره اجتناب‌ناپذیر و مشکلات سخت‌افزاری، معیار مؤثری را ثابت کرده است. سگ رباتی که در آزمایش استفاده شد، توانست در صورت شکست به تنهایی به خط شروع بازگردد.