В мире робототехники произошел прорыв, который может кардинально изменить применение автономных машин в реальных условиях. Ученые из Корейского института науки и технологий (KAIST) разработали новую систему искусственного интеллекта, позволяющую четвероногим роботам самостоятельно выбирать оптимальный способ передвижения в зависимости от рельефа местности.

Технология, описанная в журнале Science Robotics, решает одну из главных проблем современной робототехники: неспособность машин плавно переключаться между разными режимами движения при встрече с непредсказуемыми препятствиями.

Проблема «жестких» алгоритмов

Четвероногие роботы традиционно считаются более маневренными, чем колесные аналоги, особенно на пересеченной местности. Однако их потенциал часто ограничивался программным обеспечением. В реальных условиях — будь то лесная тропа, заваленная деревьями, или разрушенное здание — препятствия появляются хаотично.

Ранее инженерам приходилось создавать отдельные алгоритмы для каждого типа движения: ходьбы, бега или прыжков. Это делало невозможным естественное переключение между стилями. Робот либо не мог ускориться на ровном участке, либо терял стабильность при попытке быстро преодолеть неровность.

Технология APT-RL: обучение без границ

Для решения этой задачи ученые применили метод APT-RL (Action Pretrained Transformer-based Reinforcement Learning). В переводе это означает «обучение с подкреплением на основе предварительно обученного трансформера действий».

Суть метода заключается в том, что робот сначала усваивает базовые двигательные навыки, а затем учится свободно комбинировать их в зависимости от ситуации. Это позволяет машине не просто выполнять заученные движения, а адаптировать их под текущие условия.

Симуляция вместо реальности

Ключевым моментом разработки стала скорость генерации данных. Вместо того чтобы тратить месяцы на съемку движений реальных животных с помощью дорогих датчиков, ученые использовали компьютерное моделирование.

Всего за восемь минут компьютер сгенерировал 15,5 часов виртуальных тренировочных данных. На основе физических моделей движения и расчета траекторий ИИ прошел через тысячи виртуальных попыток и ошибок, научившись выбирать оптимальную стратегию поведения в трехмерном пространстве.

Тесты в дикой природе

Новую систему управления опробовали на фирменном роботе KAIST HOUND. Машина оснащена 3D-камерой глубины и лазерным дальномером LiDAR, что позволяет ей сканировать рельеф и мгновенно адаптировать движения.

Тесты проходили не только в лаборатории, но и в естественных условиях — на территории кампуса и в лесу. Роботу предстояло преодолеть корни деревьев, ямы и опавшую листву.

Результаты превзошли ожидания:

  • Робот продемонстрировал рекордную мгновенную скорость в 6 метров в секунду (около 22 км/ч).
  • Машина самостоятельно меняла ход с трота (диагонального шага) на галоп или прыжки в зависимости от сложности маршрута.
  • Система управления позволила роботу сохранять баланс даже на самых сложных участках.

Будущее автономных роботов

Разработчики убеждены, что созданный ими универсальный контролер станет базовой технологией для будущих физических роботов с ИИ. Такие машины могут быть привлечены к инспекции промышленных объектов, военным миссиям и ликвидации последствий природных катастроф, где условия местности часто непредсказуемы и требуют высокой адаптивности.