机器狗一小时就能学会走路?模仿动物本能,研究已登Nature子刊
根据外媒Tech Xplore报道,位于德国斯图加特的马克斯普朗克智能系统研究所(MPI-IS)发明了一只有四条腿的小机器狗Morti,它可以在每次跌倒后调整走路姿态,自主学习如何行走。
阐明该技术的论文《Learning Plastic Matching of Robot Dynamics in Closed-loop Central Pattern Generators》(在闭环中央模式生成器中学习机器人动力学的塑料匹配)已于7月18日在《自然·机器智能》杂志上发表,该论文的第一作者是菲利克斯·鲁珀特(Felix Ruppert)。
鲁珀特说:“我们研究的机器狗Morti具有跟动物相同的反射能力,可以自主从失败中学习如何走路。”
▲机器狗Morti
一、摔倒后再爬起,Morti可模仿动物学习
人类和动物的脊髓中都有一个叫做CPG(中枢模式发生器)的神经元网络。CPG可以帮助生物完成节律性的任务,如走路、眨眼或消化等。这种神经元网络不需要大脑输入信号,就可以产生周期性的肌肉收缩。
鲁珀特在Morti的背部安装了一个虚拟脊髓来模拟CPG的作用,并在这个虚拟脊髓中安装了样本数据库。Morti平稳行走时,机器人脚上的传感器数据会不断与CPG样本库中的数据进行比较,以提供合适的走路姿势。
如果机器人摔倒了,学习算法会通过改变腿来回摆动的距离和速度来优化行走方式。在机器学习的过程中,CPG会发送一些自适应的运动信号,来让机器人行走得更平稳。该机器学习过程的核心就是要改变CPG的输出信号,并监测机器在什么情况下会遇到磕绊。
▲Morti根据反馈数据优化行走
Morti模仿了小动物学习走路的过程,它们都是在不断跌倒后,才能找到最有效的肌肉使用方式,学会行走。鲁珀特说,一开始,Morti会摔倒,但大约一个小时后,算法就会帮Morti找到最好的行走方式。鲁珀特还说:“目前我的团队正在为Morti增加更多的传感器,扩大Mortimer的运动范围。我们想让Morti更像动物。”
二、高效节能,Morti行走一小时后能耗减少42%
行走同样的距离,目前大多数工业四足机器人需要几十上百瓦的电量,Morti却只需消耗5瓦电量。
这一方面是因为工业四足机器人有更大的体积和重量,需要更多的电量支撑行动,另一方面是因为Morti的算法更加智能。
一般的机器人行走时,机器学习会通过大量计算,预先设计每条腿运动的细节,这会消耗大量的电量。但是Morti在走路跌倒后,可以根据新的算法结果,重新调整走路的角度。Morti通过这些反馈数据来学习行走方式,不需要进行大量计算。Morti可以在学习走路的过程中降低能量消耗。研究发现,在Morti行走一个小时后,它消耗的能量比刚开始走路时减少了42%。
▲Morti在跑步机上行走
德克萨斯大学圣安东尼奥分校的教授迪瑞莎·库迪蒂普迪(Dhireesha Kudithipudi)表示:“通常而言,人工智能可以很好地学习一项特定任务,但人工智能无法在环境变化时进行重新校准。而Morti可以根据数据反馈自主调整自己的运动模式,它在重新校准环境方面可能会表现得更好。”
结语:结合人工智能与生物领域,探索机器人的更多可能
鲁珀特的机器狗可以通过人工智能算法,像生物一样进行自主学习。这不仅结合了机器学习技术,也涉及到了生物领域。
如果这种技术可以大规模使用,将会有两个好处:第一,机器学习会更加节能,消耗的能量更少。机器不必再根据大量的数据进行暴力计算,而是可以通过自主学习变得更加“聪明”。第二,这种技术可以为人工智能领域和生物领域的结合带来启发。
目前,这种技术可以让机器狗变得更像动物。未来,随着这种技术的发展,机器人可能会变得更像人类。
以上是机器狗一小时就能学会走路?模仿动物本能,研究已登Nature子刊的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

写在前面&笔者的个人理解目前,在整个自动驾驶系统当中,感知模块扮演了其中至关重要的角色,行驶在道路上的自动驾驶车辆只有通过感知模块获得到准确的感知结果后,才能让自动驾驶系统中的下游规控模块做出及时、正确的判断和行为决策。目前,具备自动驾驶功能的汽车中通常会配备包括环视相机传感器、激光雷达传感器以及毫米波雷达传感器在内的多种数据信息传感器来收集不同模态的信息,用于实现准确的感知任务。基于纯视觉的BEV感知算法因其较低的硬件成本和易于部署的特点,以及其输出结果能便捷地应用于各种下游任务,因此受到工业

C++中机器学习算法面临的常见挑战包括内存管理、多线程、性能优化和可维护性。解决方案包括使用智能指针、现代线程库、SIMD指令和第三方库,并遵循代码风格指南和使用自动化工具。实践案例展示了如何利用Eigen库实现线性回归算法,有效地管理内存和使用高性能矩阵操作。

C++sort函数底层采用归并排序,其复杂度为O(nlogn),并提供不同的排序算法选择,包括快速排序、堆排序和稳定排序。

人工智能(AI)与执法领域的融合为犯罪预防和侦查开辟了新的可能性。人工智能的预测能力被广泛应用于CrimeGPT(犯罪预测技术)等系统,用于预测犯罪活动。本文探讨了人工智能在犯罪预测领域的潜力、目前的应用情况、所面临的挑战以及相关技术可能带来的道德影响。人工智能和犯罪预测:基础知识CrimeGPT利用机器学习算法来分析大量数据集,识别可以预测犯罪可能发生的地点和时间的模式。这些数据集包括历史犯罪统计数据、人口统计信息、经济指标、天气模式等。通过识别人类分析师可能忽视的趋势,人工智能可以为执法机构

01前景概要目前,难以在检测效率和检测结果之间取得适当的平衡。我们就研究出了一种用于高分辨率光学遥感图像中目标检测的增强YOLOv5算法,利用多层特征金字塔、多检测头策略和混合注意力模块来提高光学遥感图像的目标检测网络的效果。根据SIMD数据集,新算法的mAP比YOLOv5好2.2%,比YOLOX好8.48%,在检测结果和速度之间实现了更好的平衡。02背景&动机随着远感技术的快速发展,高分辨率光学远感图像已被用于描述地球表面的许多物体,包括飞机、汽车、建筑物等。目标检测在远感图像的解释中

一、多模态大模型的历史发展上图这张照片是1956年在美国达特茅斯学院召开的第一届人工智能workshop,这次会议也被认为拉开了人工智能的序幕,与会者主要是符号逻辑学届的前驱(除了前排中间的神经生物学家PeterMilner)。然而这套符号逻辑学理论在随后的很长一段时间内都无法实现,甚至到80年代90年代还迎来了第一次AI寒冬期。直到最近大语言模型的落地,我们才发现真正承载这个逻辑思维的是神经网络,神经生物学家PeterMilner的工作激发了后来人工神经网络的发展,也正因为此他被邀请参加了这个

一、58画像平台建设背景首先和大家分享下58画像平台的建设背景。1.传统的画像平台传统的思路已经不够,建设用户画像平台依赖数据仓库建模能力,整合多业务线数据,构建准确的用户画像;还需要数据挖掘,理解用户行为、兴趣和需求,提供算法侧的能力;最后,还需要具备数据平台能力,高效存储、查询和共享用户画像数据,提供画像服务。业务自建画像平台和中台类型画像平台主要区别在于,业务自建画像平台服务单条业务线,按需定制;中台平台服务多条业务线,建模复杂,提供更为通用的能力。2.58中台画像建设的背景58的用户画像

写在前面&笔者的个人理解在自动驾驶系统当中,感知任务是整个自驾系统中至关重要的组成部分。感知任务的主要目标是使自动驾驶车辆能够理解和感知周围的环境元素,如行驶在路上的车辆、路旁的行人、行驶过程中遇到的障碍物、路上的交通标志等,从而帮助下游模块做出正确合理的决策和行为。在一辆具备自动驾驶功能的车辆中,通常会配备不同类型的信息采集传感器,如环视相机传感器、激光雷达传感器以及毫米波雷达传感器等等,从而确保自动驾驶车辆能够准确感知和理解周围环境要素,使自动驾驶车辆在自主行驶的过程中能够做出正确的决断。目
