Da atomkraftverket Fukushima i Japan ble ødelagt av den voldsomme tsunamien i 2011, ville det ha betydd den visse død hvis en av arbeiderne hadde blitt sendt inn i reaktoren for å sjekke hvor store skadene var. Kraftselskapet kom på den gode løsningen å sende inn en robot, men den satte seg uheldigvis fast. Roboten var forhåndsprogrammert til å bevege seg inn i reaktoren på en helt bestemt måte, men den var, slik de aller fleste av dagens roboter er, ikke i stand til å løse uforutsette problemer hvis noe skulle skjære seg underveis.
Tenk deg om denne roboten hadde vært selvlærende og kunne ha tilpasset seg forholdene og løst problemene sine underveis mens den var inne i reaktoren. Det hadde vært noe.
Uforutsette hendelser
Drømmen om en selvlærende robot har inspirert en liten gjeng i forskningsgruppen for robotikk og intelligente systemer på Institutt for informatikk ved UiO. Nå har de designet en robot som takket være kunstig intelligens skal lære seg å løse uforutsette hendelser. Det betyr at programmererne ikke behøver å tenke på alle mulige eventualiteter på forhånd.
– Den selvlærende roboten vår skal tilpasse seg de fysiske forholdene rundt seg, forteller førsteamanuensis Kyrre Glette. Han har i en årrekke vært en av universitetets ledende robotforskere.
Dette er en del av den moderne tiden. Vi har åpen forskning og deler alle oppskriftene våre.
Kyrre Glette, førsteamanuensis, UiO
Den nye roboten deres er døpt DyRET, et akronym for «Dynamic Robot for Embodied Testing» og er designet for å kunne teste ut kunstig intelligens. DyRET er utviklet av stipendiat Tønnes Nygaard. Han tegnet delene på datamaskinen og skrev dem ut på en 3D-skriver.
Kyrre Glette ser for seg mange bruksområder for slike roboter.
– De kan brukes på så forskjellige steder som i katastrofeområder, i gruver der det er umulig for oss mennesker å komme frem, eller til og med på en annen planet. Da må de kunne tilpasse seg terrenget for å løse oppdraget.
Varierer beinas lengde
Lengden på robotbeina kan varieres. Da har roboten langt flere muligheter til å bevege seg. Selv om roboten ikke rekker å tilpasse lengden på beinet i hvert skritt den tar, kan den i løpet av ett minutt endre formen på kroppen, altså lengden på beina, for å kunne tilpasse seg nye forhold.
Fordelen med variabel størrelse på beina er mange.
– Når det er mulig å forandre på kroppen, har vi en ny dimensjon som det ikke finnes mange eksempler på i naturen.
Hvis den har lav batterikapasitet, vil den kanskje finne ut at den sparer energi ved å gå med korte bein, mens den noen ganger vil bruke lange bein på et fint underlag.
Lengden på beina varieres med gode, gammeldagse tannhjul.
– I fremtiden vil robotene kanskje være laget av materialer som kan endre form, slik som gummi og kunstige muskelfibre.
Ishålke kontra skogsti
Det finnes ingen tradisjonelle, analytiske beregninger på hvordan roboter kan bevege seg med flytende overganger i beinet. Det er her maskinlæringen kommer inn, og maskinlæring er selve basisen i kunstig intelligens.
Roboten skal bruke maskinlæring til å lære å gå mest mulig optimalt på ulike typer underlag. For som leseren sikkert selv har erfart, er det stor forskjell på hvordan det er å gå på hålke, gulv med glatt underlag, jord, kunstbane eller skogsti.
Vi mennesker har gjennom lang tids opptrening i den tidlige barndommen vår lært å tilpasse måten vi går på i terrenget.
– Hvis du ser en isete vei foran deg, vil du ubevisst tilpasse ganglaget og gå som en pingvin.
Mange av oss tar kanskje dette som en selvfølge, men en robot må lære det hele fra grunnen av.
UiO-roboten har sensorer i føttene og et kamera i kroppen som skal gi tilbakemelding om hva det ser. Roboten har også en liten dings, kalt akselerometer, som måler rystelser og støt, slik at den vet om den går på mykt eller hardt underlag.
Egenopptrening
Roboten gis to ulike typer maskinlæring. Den mest omfattende varianten brukes i en simulator for å trene opp roboten før den har tatt sine første skritt.
– I forkant kan vi kjøre mange simuleringer for at roboten skal kunne opparbeide seg et repertoar av løsninger som den kan velge fra når den er i bruk.
Men disse simuleringene er ikke nok for roboten.
– Simulatoren er ikke helt nøyaktig. Det er ikke lett å simulere hvordan de fysiske interaksjonene med underlaget fungerer i virkeligheten, så alle løsningene fra simuleringene vil være i en viss uoverensstemmelse med virkeligheten. Det er forskjell på å gå på kunstgress, myke tepper og hardt underlag.
Det er vanskelig å simulere disse forskjellene. Hvis det er glatt, kan roboten skli. Da må den gå annerledes. Den andre typen maskinlæring trengs derfor for at roboten skal lære seg å gå i den virkelige verden. Ettersom det er mulig å variere størrelsen på beina på roboten, skal informatikerne undersøke hvordan roboten kan bruke denne muligheten til å bevege seg enda bedre.
– Vi vil se om det er en fordel å forandre på kroppen. Det kan kanskje komme godt med når roboten støter på hindringer.
Grus, sand og jord
Foreløpig tester de roboten på relativt flate underlag og ser hvordan roboten lærer seg å gå på grus, sand og jord. Roboten får ikke vite hvilket underlag den har. Det må den finne ut av selv.
Roboten skal dessuten kunne klare seg like bra selv om noen av delene går i stykker.
– Hvis det skjer en skade i roboten, slik som at en motor begynner å oppføre seg annerledes eller at den har fått en forstyrrelse i leddet, feil i et tannhjul eller annen strukturell svikt, må den tilpasse seg dette. Kanskje et av beina ikke gir like godt grep. Da må roboten kompensere for det.
Bygg din egen robot
Hvis du skulle få lyst til å lage en slik selvlærende robot, er det fritt frem å kopiere den. Her er ingen bedriftshemmeligheter.
– Dette er en del av den moderne tiden. Vi har åpen forskning og deler alle oppskriftene våre, forteller Kyrre Glette.
Det betyr at alle instruksjonene for design og kode er fritt tilgjengelige på nettet.
– Hvem som helst kan derfor bygge sin egen versjon av roboten vår eller bruke deler av løsningen vår til sine egne prosjekter, poengterer Tønnes Nygaard.
