Robot humanoid berjalan melintasi pasir, kerikil, dan lereng menggunakan kerangka pelatihan yang lebih cepat
Sebuah tim peneliti Georgia Tech telah mengembangkan kerangka pembelajaran mesin baru yang memungkinkan robot humanoid berjalan melintasi pasir, kerikil, rumput basah, lereng, tangga, dan permukaan licin sekaligus memangkas waktu dan daya komputasi yang diperlukan untuk melatih pengontrolnya. Para peneliti mengatakan pendekatan mereka, yang disebut “Belajar untuk Mengajar,” meningkatkan metode pembelajaran penguatan guru-siswa yang populer dengan melatih kedua agen secara bersamaan, bukan satu demi satu. Hasilnya adalah sebuah pengontrol yang dapat menangani medan yang belum pernah dilatihnya dan membutuhkan lebih sedikit sumber daya komputasi. Pengontrol tersebut diuji pada robot humanoid berkaki dua, yang berhasil melintasi berbagai permukaan luar dan dalam ruangan yang menantang. Tim juga mendorong dan menarik robot selama percobaan, dan menyesuaikan gaya berjalannya agar tetap stabil. Karya tersebut dipresentasikan pada Konferensi Internasional IEEE tentang Robotika dan Otomasi (ICRA), di mana para peneliti menggambarkan kerangka pelatihan yang dapat disesuaikan dengan robot lain dan tugas-tugas selain berjalan. Mengajar sambil belajar Pembelajaran penguatan guru-siswa tradisional bergantung pada pembuatan model “guru” terlebih dahulu dengan akses ke data simulasi terperinci. Setelah terlatih sepenuhnya, guru meneruskan pengetahuannya kepada model “siswa” yang mengendalikan robot sebenarnya. Menurut peneliti utama Feiyang Wu, proses tersebut memiliki dua kelemahan utama. “Ada dua masalah dengan pendekatan ini. Dibutuhkan terlalu banyak waktu untuk melatihnya secara berurutan. Kemudian, Anda membuang banyak informasi yang telah dikumpulkan oleh guru.” Melatih pengontrol robotik melalui simulasi memerlukan komputasi berjam-jam pada perangkat keras GPU yang mahal, sehingga prosesnya memakan waktu dan biaya. Daripada menunggu guru menguasai tugasnya, tim Georgia Tech melatih guru dan siswa bersama-sama. Ketika guru belajar secara bertahap, guru segera mulai mentransfer pengetahuan kepada siswa, sehingga secara signifikan mempersingkat proses pelatihan. “Anda tidak perlu menunggu guru menjadi ahli untuk mulai mengajar siswanya,” kata Wu. “Guru secara bertahap dapat mengajari siswa apa yang telah mereka pelajari selama ini.” Peneliti juga memberikan kesempatan kepada guru untuk belajar dari pengalaman siswa. Hal ini mengurangi apa yang disebut para ahli robotik sebagai kesenjangan imitasi guru-siswa, yaitu ketika siswa menghadapi situasi yang berbeda dari simulasi ideal guru. Keberhasilan medan nyata Pengendali baru ini dikerahkan pada robot humanoid berukuran penuh di laboratorium Associate Professor Ye Zhao. Ia menavigasi medan luar ruangan yang kasar dan permukaan dalam ruangan yang licin tanpa bergantung pada pengontrol terpisah untuk lingkungan yang berbeda. Wu mengatakan tim tidak mengharapkan pengontrol yang sama bekerja dengan baik di banyak kondisi. “Untuk robot humanoid yang besar dan sangat tinggi ini, belum terbukti bahwa Anda dapat melakukan pergerakan yang lincah di medan yang keras seperti itu. Entah bagaimana, resep pelatihan kami yang sangat efisien di sini sebenarnya dapat bekerja untuk semua jenis medan dan lingkungan.” Zhao mengatakan pengontrol tersebut bahkan mengungguli perangkat lunak yang disediakan oleh produsen robot, menunjukkan manfaat menggabungkan penelitian pembelajaran mesin dengan robotika dunia nyata. Selain penggerak humanoid, para peneliti yakin kerangka “Belajar Mengajar” dapat diterapkan pada desain robot lain dan tugas yang memerlukan pergerakan andal di lingkungan yang tidak dapat diprediksi. Penelitian ini dipresentasikan pada Konferensi Internasional IEEE tentang Robotika dan Otomasi.
Diterbitkan : 2026-07-16 23:46:00
sumber : interestingengineering.com
