Roboter 2025 V1

2025 leverer! Velkommen til ASAP (Aligning Simulation and ReAl Physics)

Carnegie Mellom U og Nvidia hever lista med ny forskning

Min store kjepphest de siste årene er “Ikke se dit ballen er, se hvor den er på vei”

For et år siden var videoen under nesten utenkelig. Nå er den her. Trikset er å ikke tenke “Disse robotene er ikke perfekt, så her er det ingen fare”, men å tenke “Om 6 måneder kommer den til å gjøre noe jeg ikke kan forestille meg i dag!”

Det er nå helt klart at innen få år så kan roboter gjøre så godt som alt vi kan gjøre av fysisk og intellektuelt arbeid. Dette er roboter som helt sikker kan komme til å bygge et hus, legge en vei, handle på butikken, rake løvet i hagen, holde en rifle, kaste noen i fengsel.. sånne ting.

Så hva er ASAP?
Forskeren bak ASAP (som står for “Aligning Simulation and Real-World Physics”) har tatt fatt på et av de største problemene innen robotikk: hvordan få en humanoid robot til å bevege seg like smidig og dynamisk i den virkelige verden som i en datasimulering.

Hvordan gjør de det?
Løsningen er delt opp i to trinn. Først trener de roboter i en virtuell verden ved å bruke videoer av mennesker som utfører raske og komplekse bevegelser. Disse menneskebevegelsene blir “oversatt” til robotbevegelser, slik at roboten lærer grunnleggende ferdigheter – litt som om den øver hjemme før den møter den virkelige verden. Deretter, når roboten prøver seg ute i den virkelige verden, oppdager de at ting ikke fungerer helt som planlagt på grunn av forskjeller i fysikken. For å fikse dette, samler de inn data fra robotens faktiske bevegelser og trener en spesiell “delta action-modell”. Denne modellen fungerer som en justeringsmekanisme som retter opp i forskjellene mellom simulering og virkelighet, slik at robotens bevegelser blir mye mer nøyaktige og smidige når den er ute i felten.

Hvorfor er dette spennende?
Ved å kombinere virtuell trening med virkelighetsbasert finjustering, får de roboter som faktisk kan utføre krevende og dynamiske bevegelser – noe som tidligere har vært en stor utfordring. Resultatet er at robotene ikke bare ser kule ut i simuleringer, men også leverer imponerende resultater i den virkelige verden, for eksempel på Unitree G1 humanoid-roboten.

Kort fortalt:
ASAP-metoden gjør det mulig for humanoide roboter å lære seg “ekte” menneskelige bevegelser ved først å øve i en simuleringsverden og deretter tilpasse seg den virkelige verdens utfordringer. Dette kan banne vei for smartere og mer agile roboter som kan håndtere alt fra raske sportslige bevegelser til komplekse oppgaver i hverdagen.