باحثون يعلمون روبوت Unitree G1 مهارات جديدة دون نسيان المهارات القديمة
بنية عصبية جديدة تتيح للروبوتات البشرية إتقان مهام متتالية مع تقليل وقت التدريب واستهلاك الموارد.
نشر باحثون ورقة بحثية تصف طريقة لتمكين الروبوتات البشرية من التعلم المستمر دون فقدان قدراتها السابقة. في التعلم الآلي التقليدي، غالباً ما يؤدي تعليم الروبوت حركة جديدة إلى مسح أو نسيان ما تعلمه سابقاً.
طور الفريق نظاماً يسمى Similarity-guided LoRA-PNN. تستخدم هذه البنية شبكة عصبية تخصص الذاكرة تدريجياً للمهام الجديدة مع استخدام تقنية خفيفة تسمى التكيف منخفض الرتبة لإعادة استخدام المعرفة المكتسبة عبر مهارات متعددة.
عبر ست فئات من المهارات المتعلمة بالتتابع، تحقق سياستنا LoRA الموجهة بالتشابه أفضل نقل للأمام وأعلى متوسط دقة.
لإدارة هذه العملية، يستخدم النظام مقياساً لتشابه الحركة من مستويين. تقرر هذه الأداة المهارة السابقة التي يجب أن يستخدمها الروبوت كأساس لحركة جديدة، مما يضمن بناء الآلة على الخبرة الموجودة بدلاً من البدء من الصفر.
أثبت هذا النهج كفاءته خلال اختبارات شملت ست فئات مختلفة من المهارات. وفرت الطريقة الجديدة حوالي 95% من المعلمات القابلة للتدريب مقارنة بالطرق التقليدية، وقللت وقت التدريب بأكثر من 40%.
حقق المتحكم نسبة نجاح بلغت 96.13% أثناء النقل من المحاكاة إلى الواقع، وتم تطبيقه بنجاح على روبوت Unitree G1 فعلي. هل تساءلت يوماً عن مدى تعقيد تعليم آلة المشي والجري والقفز دون أن تتعثر في أقدامها الرقمية؟
على الرغم من هذه المكاسب، يعتمد البحث على مقاييس محددة لتشابه الحركة ليعمل. لم تختبر الدراسة هذه البنية على أجهزة أخرى غير Unitree G1، لذا فإن أداءها على منصات روبوتية مختلفة لا يزال غير معلوم.
المصدر: arXiv cs.RO