У світі робототехніки стався прорив, який може кардинально змінити застосування автономних машин у реальних умовах. Вчені з Корейського інституту науки та технологій (KAIST) розробили нову систему штучного інтелекту, яка дозволяє чотириногом роботам самостійно обирати оптимальний спосіб пересування залежно від рельєфу місцевості.

Технологія, описана в журналі Science Robotics, вирішує одну з головних проблем сучасної робототехніки: нездатність машин плавно перемикатися між різними режимами руху при зустрічі з непередбачуваними перешкодами.

Проблема «жорстких» алгоритмів

Чотириногі роботи традиційно вважаються більш маневрованими, ніж колісні аналоги, особливо на пересіченій місцевості. Однак їхній потенціал часто обмежувався програмним забезпеченням. У реальних умовах — чи то лісова стежка, завалена деревами, чи то зруйнована будівля — перешкоди з'являються хаотично.

Раніше інженерам доводилося створювати окремі алгоритми для кожного типу руху: ходьби, бігу чи стрибків. Це робило неможливим природне перемикання між стилями. Робот або не міг прискоритися на рівному ділянці, або втрачав стабільність при спробі швидко подолати нерівність.

Технологія APT-RL: навчання без меж

Для вирішення цієї задачі вчені застосували метод APT-RL (Action Pretrained Transformer-based Reinforcement Learning). У перекладі це означає «навчання з підкріпленням на основі попередньо навченого трансформера дій».

Суть методу полягає в тому, що робот спочатку засвоює базові рухові навички, а потім вчиться вільно комбінувати їх залежно від ситуації. Це дозволяє машині не просто виконувати заучені рухи, а адаптувати їх під поточні умови.

Симуляція замість реальності

Ключовим моментом розробки стала швидкість генерації даних. Замість того, щоб витрачати місяці на зйомку рухів реальних тварин за допомогою дорогих датчиків, вчені використали комп'ютерне моделювання.

Всього за вісім хвилин комп'ютер згенерував 15,5 годин віртуальних тренувальних даних. На основі фізичних моделей руху та розрахунку траєкторій ШІ пройшов через тисячі віртуальних спроб і помилок, навчившись обирати оптимальну стратегію поведінки у тривимірному просторі.

Тести в дикій природі

Нову систему управління випробували на фірмовому роботі KAIST HOUND. Машина оснащена 3D-камерою глибини та лазерним далекоміром LiDAR, що дозволяє їй сканувати рельєф і миттєво адаптувати рухи.

Тести проходили не лише в лабораторії, але й у природних умовах — на території кампусу та в лісі. Роботу довелося подолати коріння дерев, ями та опале листя.

Результати перевершили очікування:

  • Робот продемонстрував рекордну миттєву швидкість у 6 метрів на секунду (близько 22 км/год).
  • Машина самостійно змінювала хід з троту (діагонального кроку) на галоп або стрибки залежно від складності маршруту.
  • Система керування дозволила роботу зберігати баланс навіть на найскладніших ділянках.

Майбутнє автономних роботів

Розробники переконані, що створений ними універсальний контролер стане базовою технологією для майбутніх фізичних роботів зі ШІ. Такі машини можуть бути залучені до інспекції промислових об'єктів, військових місій та ліквідації наслідків природних катастроф, де умови місцевості часто непередбачувані і вимагають високої адаптивності.