DeepMind ontwikkelt robot die tafeltennis speelt

Geschreven door

Luc

Gecontroleerd door

Jolien

Bijgewerkt op

29 augustus 2024

[addtoany] ×

Google DeepMind heeft een robot ontwikkeld die tafeltennis speelt en kan concurreren op amateurniveau. Dit is een belangrijke mijlpaal op het gebied van robotica en kunstmatige intelligentie. Zoals MIT Technology Review meldt, won de AI-gestuurde robotarm 45% van zijn wedstrijden tegen menselijke spelers van verschillende vaardigheidsniveaus. Dit bewijst dat de robotarm in staat is om complexe fysieke taken uit te voeren die snelle beslissingen en precieze bewegingen vereisen.

Robotarm en AI-integratie

Het systeem combineert een ABB IRB 1100 industriële robotarm met op maat gemaakte AI-software van DeepMind, waardoor het verschillende acties kan uitvoeren, zoals forehand en backhand shots. Door deze integratie kan de robot zich aanpassen aan verschillende speelstijlen en snelheden, wat het potentieel van AI in complexe fysieke taken laat zien. De architectuur van de robot bestaat uit een high-level controller die optimale vaardigheden selecteert uit een bibliotheek van vaardigheden op laag niveau, elk gericht op specifieke acties zoals mikken op de backhand of forehand topspin. Dit modulaire ontwerp verbetert het aanpassingsvermogen en de prestaties van de robot in realtime spelsituaties.

Prestaties tegen menselijke spelers

In een serie van 29 wedstrijden tegen menselijke tegenstanders van verschillende niveaus liet de robot indrukwekkende prestaties zien. Het behaalde een winstpercentage van 100% tegen beginners en won 55% van de wedstrijden tegen gemiddelde spelers. Het systeem had echter problemen tegen gevorderde spelers en verloor alle wedstrijden in deze categorie. In totaal won de robot 45% van de wedstrijden (13 van de 29), wat een goede vaardigheid op amateurniveau laat zien. Deze prestaties werden geëvalueerd door een professionele leraar die de menselijke spelers indeelde in vaardigheidsniveaus van beginner tot gevorderd. Het vermogen van de robot om zich aan te passen en effectief te concurreren tegen verschillende speelstijlen benadrukt het potentieel van AI-systemen in dynamische en echte omgevingen.

Methodologie en uitdagingen

De trainingsmethodologie van de robot combineert gesimuleerde omgevingen met gegevens uit de echte wereld, waardoor de robot vaardigheden kan verfijnen zoals het retourneren van serves en het omgaan met verschillende balspins en snelheden. Deze aanpak maakt gebruik van versterkend leren in simulatie, gevolgd door herhaalde cycli van spelen in het echt om de prestaties te verbeteren en zich aan te passen aan uitdagende gameplay. Ondanks de prestaties heeft het systeem te kampen met beperkingen: het heeft moeite met ballen met een hoge snelheid, ballen die buiten het gezichtsveld worden geslagen en ronddraaiende ballen omdat het de spin niet direct kan meten. Deze uitdagingen benadrukken de complexiteit van het simuleren van fysica in de echte wereld en onderstrepen de noodzaak voor vooruitgang in voorspellende AI-modellen en algoritmen die botsingen kunnen detecteren om robotische capaciteiten in dynamische omgevingen verder te verbeteren.

Een revolutie in de interactie tussen mens en robot

De ontwikkeling van deze robot gaat veel verder dan sport en is een belangrijke stap in de richting van het creëren van machines die complexe taken kunnen uitvoeren in dynamische omgevingen. Onderzoekers geloven dat de technieken die in dit project zijn gebruikt, zoals hiërarchische beleidsarchitectuur en realtime aanpassing, kunnen worden toegepast op verschillende gebieden die snelle reacties en aanpassingsvermogen vereisen. Deze prestatie sluit aan bij het doel van de robotica-gemeenschap om snelheid en prestaties op menselijk niveau te bereiken in echte taken, wat een revolutie in de industrie teweeg kan brengen en nieuwe wegen kan openen voor de interactie tussen mens en robot.

Bron: Tech Xplore