Para peneliti di Improbable Artificial Intelligence Lab, Massachusetts Institute of Technology (MIT) telah mengembangkan sistem robot berkaki empat yang mampu menggiring bola sepak dalam kondisi yang sama seperti manusia. Mereka menggunakan penginderaan dan komputasi onboard untuk melintasi berbagai medan alami seperti pasir, kerikil, lumpur, dan salju.
Robot yang diberi nama "DribbleBot" ini menggunakan kombinasi pembelajaran berbasis hadiah dan simulasi untuk mengetahui urutan kekuatan yang diperlukan untuk menggiring bola sepak di berbagai medan.
Dengan mensimulasikan 4.000 versi robot secara paralel, pengumpulan data menjadi 4.000 kali lebih cepat daripada hanya menggunakan satu robot. DribbleBot juga memiliki pengontrol pemulihan yang terpasang pada sistemnya, yang memungkinkannya untuk menavigasi medan yang tidak dikenal dan pulih dari jatuh.
Para peneliti berharap dapat memberikan otonomi pada robot di medan yang menantang dan kompleks yang saat ini berada di luar jangkauan sistem robotik.
Dibandingkan dengan berjalan, menggiring bola sepak memberikan lebih banyak kendala pada gerakan DribbleBot dan medan yang dapat dilaluinya. Robot berkaki empat itu harus menyesuaikan gerakannya untuk memberikan kekuatan pada bola untuk menggiring bola.
Meskipun interaksi antara bola dan lanskap bisa berbeda dengan interaksi antara robot dan lanskap, kemampuan bot untuk melintasi medan yang berbeda sering kali tidak terlalu terpengaruh oleh perbedaan dinamika ini. Oleh karena itu, tes sepak bola dapat menjadi sensitif terhadap variasi medan yang tidak dapat dilakukan oleh penggerak saja.
Para peneliti menggunakan simulasi untuk secara otomatis mempelajari cara menggerakkan kaki saat menggiring bola, sehingga memungkinkan penemuan keterampilan yang sulit dituliskan untuk merespons berbagai medan seperti salju, kerikil, pasir, rumput, dan trotoar.
Robot memulai proses belajarnya tanpa mengetahui cara menggiring bola dan menerima hadiah ketika berhasil melakukannya atau sebaliknya ketika melakukan kesalahan.
"Salah satu aspek dari pendekatan reinforcement learning ini adalah kita harus merancang hadiah yang baik untuk memfasilitasi robot mempelajari perilaku menggiring bola yang berhasil," tutur mahasiswa PhD Gabe Margolis, yang memimpin penelitian bersama Yandong Ji, asisten peneliti di Improbable AI Lab.
Seiring berjalannya waktu, kata Margolis, robot ini akan belajar untuk menjadi lebih baik dan lebih baik lagi dalam memanipulasi bola sepak agar sesuai dengan kecepatan yang diinginkan.
Perangkat keras robot ini mencakup seperangkat sensor yang memungkinkannya merasakan lingkungan, memungkinkannya merasakan di mana ia berada, "memahami" posisinya, dan "melihat" beberapa sekelilingnya. Robot ini juga memiliki seperangkat aktuator yang memungkinkannya untuk menerapkan gaya dan menggerakkan dirinya sendiri dan objek.
Di antara sensor dan aktuator terdapat komputer, atau "otak", yang bertugas mengubah data sensor menjadi tindakan, yang diterapkan melalui motor.
Tujuan para peneliti dalam mengembangkan algoritme untuk robot berkaki adalah untuk memberikan otonomi di medan yang menantang dan kompleks yang saat ini berada di luar jangkauan sistem robotik.
"Jika Anda melihat sekeliling Anda saat ini, sebagian besar robot beroda. Namun, bayangkan jika ada skenario bencana, banjir, atau gempa bumi, dan kami ingin robot membantu manusia dalam proses pencarian dan penyelamatan. Kami membutuhkan mesin untuk melintasi medan yang tidak rata, dan robot beroda tidak dapat melintasi lanskap tersebut," kata Pulkit Agrawal, profesor dan peneliti utama CSAIL, serta direktur Improbable AI Lab. "Inti dari mempelajari robot berkaki adalah untuk menjelajahi medan di luar jangkauan sistem robotik yang saat ini."
0 Komentar