在受啟發的動物中，機器人AI學會了在一個陌生的地區導航

研究人員開發了一種人工智能係統（AI），該系統允許四足機器人將步態適應另一個不熟悉的地區，例如真正的動物，最初被認為是一個世界。作品發表在 自然情報場地

創新的技術使機器人可以改變自動移動的方式，而不是說話，何時以及如何改變您的步驟，例如當前的機器人。這一進展被認為是在危險條件下可能處於危險條件下的機器人腳的嚴重一步，在這種情況下，人們可能處於危險之中，例如核結論，搜索和救贖，在這種情況下，無法適應未知的人會付出生命。

為了 學習在倫敦的倫敦大學和倫敦大學學院（UCL），研究人員從動物王國中汲取了靈感來教機器人在他從未見過的地區導航。其中包括四隻動物，例如狗，貓和馬，它們適應各種景觀時都很熟練。這些動物會以節省能量，保持平衡或迅速對威脅的方式進行切換。

研究人員創建了一個可以教機器人如何在lynxes之間跨越的結構，這種運行限制了，例如自然界的哺乳動物。

步態切換如有必要

在引入AI系統中，動物用來瀏覽不可預測世界的相同策略，機器人很快就學會了響應地形而飛行的步態。由於可能處理AI機器人的數據，Clarens固定了，因此我在短短九個小時內就學會了必要的策略，比大多數年輕動物的幾天或幾週更快地跨越各種表面。

在 自然情報 第一作者是蓋子機械工程學校的研究生約瑟夫·漢弗利斯（Joseph Humphris）解釋了該結構如何允許機器人根據環境改變自己的步驟，克服了各種領土，包括木材，自由木屑和精心設計的植被，而沒有任何更改的系統本身。

他說：“我們的結論可能會對機器人對腿部運動的未來控制產生重大影響，從而減少了對適應性的許多限制。”

他補充說：“這種教學深厚的增援的結構教授了受到真實動物啟發的步態策略和行為，並以靈感的傳記為靈感。

“整個培訓是在模擬中進行的。您在計算機上訓練政治，然後將其放在機器人上，這與訓練一樣經驗。這類似於當武術中的新技能加載到他的大腦中時的矩陣，但沒有經過現實世界中的任何體育訓練。

“然後，我們在現實世界中，在他從未經歷過的表面上測試了機器人，他成功地通過了所有這些機器人。觀察他如何適應我們設定的所有任務，並看到我們研究的動物行為幾乎成為第二天性，這確實很有用。”

教授深入增援的代理人通常在研究一項特定任務方面擅長，但是當環境改變時，他們正在盡力適應。動物大腦已經建立了支持培訓的結構和信息。一些代理可以模仿這種類型的培訓，但是它們的人造系統通常不是那麼先進或複雜。研究人員說，他們克服了這個問題，通過自然動物運動的策略灌輸了他們的系統。

他們說，它們是將動物運動的所有三個關鍵組成部分同時整合到增強系統中的第一基礎，即：步態策略，程序記憶和交通的適應性調整是真正的普遍性，實際上是從建模上進行的，而無需對物理機器人的物理機器人進行進一步調整

簡而言之，機器人不僅會找出如何移動 – 他將學習如何決定在切換時使用什麼步態以及如何實時調節它，即使在地面上，她從未遇到過。

UCL計算機科學研究的高級作者周教授說：“這項研究是由於基本問題是：如果以前的機器人能像動物一樣本能地移動什麼？

“在AI系統中構建了這些原理後，我們允許機器人根據實際時間條件，而不是預先編程的規則選擇如何移動。這意味著它們可以在不熟悉的環境中安全有效地導航，即使是那些以前從未遇到過的人。

“我們的長期視野是開發具有體現的AI系統，包括與動物和人相同的過程和穩定性移動，適應和相互作用的人形機器人。”

實際應用

工程師越來越模仿性質 – 被稱為生物imimikrika-可以解決流動性的複雜問題。該團隊說，他們的成就指出，在製造更適合的機器人並能夠在危險條件下或訪問地點應對實際問題方面邁出了嚴重的一步。

可以在陌生，複雜地區導航的機器人為響應自然災害，地球智慧，農業和基礎設施的智慧開闢了新的機會。

這也涉及將生物智能整合到機器人系統中並對生物力學假設進行更多道德研究的一種有希望的方法。您可以使用機器人使用機器人，而不是用侵入性傳感器負擔動物的負擔或暴露它們以研究恢復穩定性的答案。

儘管機器人不使用奇觀，氣味和聽力，但從使動物運動有效的因素中感受到了使動物運動有效的因素的靈感，但能夠開發出可以越來越高度浮雕的結構。

在幾個地方的平行練習

使用深層加強訓練，在數百種培養基中同時進行了有效的超級最佳測試和錯誤機器人，首先是解決了使用各種步態移動的問題，然後為地形選擇最佳步態，生成了實現非常適應性運動的工具。

為了驗證現實世界中獲得的可獲得的適應性，機器人在真實的表面上被釋放，包括木製，石頭，雜草叢生的根和自由木材，以及他的腿反复撞倒，檢查了其從旅行中恢復的能力。該團隊使用了編程的路線或操縱桿（例如，在視頻遊戲中使用的路線）來發送機器人。

令人驚訝的是，在訓練過程中，機器人沒有受到某種粗魯的領域的約束，這強調了系統適應並證明這些技能已成為機器人的本能的能力。

該研究的重點是確保可靠的日常運動。在未來的工作中，團隊希望在陡峭或垂直區域中增加更多動態技能，例如跳遠，攀登和導航。

儘管該結構仍僅在一個四個of的機器人的大小上測試，但基本原理是廣泛適用的。相同的傳記指標啟發了四個腿部機器人的範圍，無論大小或重量是否具有相同的形態。