用算法模拟演变机器人“进化”!MIT开发新平台,还能优化机器人身体和大脑,已开源

简介: 用算法模拟演变机器人“进化”!MIT开发新平台,还能优化机器人身体和大脑,已开源

image.png

在不考虑成本等情况下,如果要设计一个能够投掷物品的机器人,可能大多数人会设计一个人形机器人。

用双腿保持身体稳定,双手投掷物品,完美。

image.png

可能这也是为什么科学家们如此执着于人形机器人的原因之一吧。

今天文摘菌要介绍的一群“怪东西”,是一群像俄罗斯方块组成的“怪物”,但也正是这些小怪物,能够轻松地投掷物品,就像这样:

image.png

这些怪东西来头可不小。

这其实是在MIT计算机科学和人工智能实验室的一个新平台Evolution Gym中,计算机“进化”了机器人的身体大脑

系统共同开发者之一、麻省理工学院计算机科学家Wojciech Matusik说:“我们或许能够凭借此发现新的、意想不到的机器人设计,或者更多高性能的机器人。”

试想,未来的机器人不再依赖人类设计师,以及自带的人类偏见,而直接将设计委托给算法,岂不妙哉?

旋转跳跃,每个色块都是一种属性

刚刚展示的只是这群小东西的冰山一角。

比如自我翻转:

image.png

可别小看了这个简单的动作,机器人身上每个色块可都很讲究。比如,黑色代表了一个刚性部件,灰色代表的则是软性部件,这些部件都不会主动执行任务。相反,那些彩色的色块才是执行器,也就是运动关节,让机器人运动的部分。

在彩色色块里,蓝色代表了致动器在垂直方向上收缩或扩张,橙色代表着在水平方向收缩或扩张

如果你再仔细看看这个机器人,你就会发现,当机器人翻转时,基本上是围绕着黑色的刚体部分在转动,彩色色块则是不停将其推离地面。

image.png

相比之下,这个拱形机器人则只由水平方向的致动体,但通过不停地收缩和扩张,机器人能够以一种相对优雅的方式…奔跑。

image.png

可以看到,这个机器人已经学会了如何攀爬。


机器人通过两侧蓝色致动器的交替运动,以获得向上的力,同时机器人顶部的附属物也在柱子上不停摸索。

可能你已经注意到了,那就是这些柱子不是全刚体的,灰色部分更软一些,这也是机器人必须要适应的一部分,因为柱子的结构注定了机器人向上攀爬的道路是摇摇晃晃的。


对于一个简单的机器人来说,这是非常复杂的行为,更何况这还是一个自我设计的机器人。

一个可能刺激大量新研究的环境

在设计这些机器人之前,系统首先会以独特的方式扰乱这四种色块,创造出数百种形态,就像是生物进化一样。

下图每列展示的是四种表现形状最好的一代,不仅如此,算法还优化了这些机器人的“控制器”,基本上就是告诉执行色块做什么和以什么顺序做的大脑。

image.png

在Evolution Gym里,每个形态都用不同的大脑运行,系统会根据执行某种任务的好坏进行评分,如向前行走或投掷块。

Matusik表示:“挑选表现最好的软体机器人,这就意味着它们在进化,或是在进行某种意义上的变异,直到结构完善,这就是适者生存。”行走或攀爬能力最强的机器人成为下一代的种子,表现不佳的机器人被淘汰,这就是所谓的进化机器人学。其他研究人员也正在使用类似的技术,例如进化出针对某些表面优化的机器人腿部等。

比如,这个搭载着积木的机器人,通过不断演变,能够在奔跑的同时平衡背上的物体:

image.png

这个机器人更像是某种用于操纵头顶横梁的倒置手提钻:

image.png

要知道,所有这些机器人都是在模拟中通过算法不断演变出来的,所以它们实际上并不存在。

目前这些机器人还是存在局限的,比如在特定形态下他们只能完成攀爬或投掷,而不能同时完成多个动作

Evolution Gym已经开源了,要是感兴趣的大家,可以在这里玩玩:

https://evolutiongym.github.io/

image.png

Matusik说:“这是一个可能刺激大量新研究的环境。”研究人员基本上可以从头开始创造越来越多的智能机器人系统,而不需要对结构或大脑应该是什么有任何先入为主的概念。

Evolution Gym创造出不同种类的机器人后,接下来就应该考虑如何在现实世界中实现了。

威国防研究机构研究进化机器人学的Tønnes Nygaard表示:“我非常期待看到其他研究人员如何开始使用这个基准框架,以及最终会出现什么类型的创造性虚拟机器人。”

也正如他所说,任何能够帮助建立研究兴趣和合作的系统,都应该受到褒奖,比如Evolution Gym

相关文章
|
3天前
|
传感器 人工智能 自然语言处理
RDT:清华开源全球最大的双臂机器人操作任务扩散基础模型、代码与训练集,基于模仿能力机器人能够自主完成复杂任务
RDT(Robotics Diffusion Transformer)是由清华大学AI研究院TSAIL团队推出的全球最大的双臂机器人操作任务扩散基础模型。RDT具备十亿参数量,能够在无需人类操控的情况下自主完成复杂任务,如调酒和遛狗。
44 22
RDT:清华开源全球最大的双臂机器人操作任务扩散基础模型、代码与训练集,基于模仿能力机器人能够自主完成复杂任务
|
17天前
|
存储 人工智能 自然语言处理
Delta-CoMe:清华联合OpenBMB等高校开源的新型增量压缩算法
Delta-CoMe是由清华大学NLP实验室联合OpenBMB开源社区、北京大学和上海财经大学提出的新型增量压缩算法。该算法通过结合低秩分解和低比特量化技术,显著减少了大型语言模型的存储和内存需求,同时保持了模型性能几乎无损。Delta-CoMe特别适用于处理数学、代码和多模态等复杂任务,并在推理速度上有所提升。
54 6
Delta-CoMe:清华联合OpenBMB等高校开源的新型增量压缩算法
|
16天前
|
人工智能 算法 机器人
开源极客桌面机器人 Desk-Emoji
Desk-Emoji 是一款开源的实体 AI 桌面陪伴机器人,具备酷炫外观、流畅 Emoji 表情、双自由度云台及大模型语音聊天功能,支持手势识别和情绪反馈,适合 DIY 和二次开发,是性价比极高的桌面机器人。
开源极客桌面机器人 Desk-Emoji
|
3天前
|
机器学习/深度学习 前端开发 算法
婚恋交友系统平台 相亲交友平台系统 婚恋交友系统APP 婚恋系统源码 婚恋交友平台开发流程 婚恋交友系统架构设计 婚恋交友系统前端/后端开发 婚恋交友系统匹配推荐算法优化
婚恋交友系统平台通过线上互动帮助单身男女找到合适伴侣,提供用户注册、个人资料填写、匹配推荐、实时聊天、社区互动等功能。开发流程包括需求分析、技术选型、系统架构设计、功能实现、测试优化和上线运维。匹配推荐算法优化是核心,通过用户行为数据分析和机器学习提高匹配准确性。
22 3
|
23天前
|
人工智能 搜索推荐 机器人
一款开源的宝藏聊天机器人Typebot
Typebot 是一个强大的开源聊天机器人框架,支持多种 AI 模型,包括 Claude 3.5 和 Dify.AI 助手,适用于客服、电商推荐等场景。它通过 Webhook 块实现与外部服务的交互,帮助开发者轻松创建和管理对话式 AI 应用。通过阿里云账号登录,即可快速创建和部署自己的聊天机器人。
|
1月前
|
安全 机器人 开发者
清华开源全球最大双臂机器人扩散大模型RDT,懂调酒能遛狗,登顶HF具身热榜
清华大学近期发布了全球最大的双臂机器人扩散大模型RDT,该模型在调酒、遛狗等任务上表现优异,登顶Hugging Face具身智能热榜。RDT采用扩散架构,具备强大的学习能力,能生成高质量的机器人动作序列,展示了清华在机器人技术领域的领先水平。尽管面临泛化能力、计算资源及安全性等挑战,RDT的开源特性仍为其广泛应用和发展提供了广阔前景。
59 8
|
1月前
|
人工智能 算法 大数据
Linux内核中的调度算法演变:从O(1)到CFS的优化之旅###
本文深入探讨了Linux操作系统内核中进程调度算法的发展历程,聚焦于O(1)调度器向完全公平调度器(CFS)的转变。不同于传统摘要对研究背景、方法、结果和结论的概述,本文创新性地采用“技术演进时间线”的形式,简明扼要地勾勒出这一转变背后的关键技术里程碑,旨在为读者提供一个清晰的历史脉络,引领其深入了解Linux调度机制的革新之路。 ###
|
3月前
|
机器学习/深度学习 人工智能 算法
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
文本分类识别系统。本系统使用Python作为主要开发语言,首先收集了10种中文文本数据集("体育类", "财经类", "房产类", "家居类", "教育类", "科技类", "时尚类", "时政类", "游戏类", "娱乐类"),然后基于TensorFlow搭建CNN卷积神经网络算法模型。通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型,并保存为本地的h5格式。然后使用Django开发Web网页端操作界面,实现用户上传一段文本识别其所属的类别。
107 1
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
|
3月前
|
机器学习/深度学习 算法 物联网
探究操作系统的心脏:调度算法的演变与优化
本文旨在深入探讨操作系统中核心组件——调度算法的发展脉络与优化策略。通过分析从单任务到多任务、实时系统的演进过程,揭示调度算法如何作为系统性能瓶颈的解决关键,以及在云计算和物联网新兴领域中的应用前景。不同于传统摘要,本文将注重于概念阐释与实例分析相结合,为读者提供直观且全面的理解视角。
|
3月前
|
机器学习/深度学习 人工智能 算法
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台。果蔬识别系统,本系统使用Python作为主要开发语言,通过收集了12种常见的水果和蔬菜('土豆', '圣女果', '大白菜', '大葱', '梨', '胡萝卜', '芒果', '苹果', '西红柿', '韭菜', '香蕉', '黄瓜'),然后基于TensorFlow库搭建CNN卷积神经网络算法模型,然后对数据集进行训练,最后得到一个识别精度较高的算法模型,然后将其保存为h5格式的本地文件方便后期调用。再使用Django框架搭建Web网页平台操作界面,实现用户上传一张果蔬图片识别其名称。
68 0
【果蔬识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
下一篇
DataWorks