Den første uge af juli 2025 har været vidne til et markant gennembrud inden for kunstig intelligens og robotteknologi, hvor forskere har demonstreret maskiner med hidtil usete evner til at forudse bevægelser og tilpasse strategier i dynamiske miljøer.
I centrum for denne udvikling står ANYmal-D, en firbenet robot udviklet af ETH Zürich, som autonomt kan spille badminton mod menneskelige modstandere. Robotten anvender et innovativt styresystem baseret på forstærkningslæring, der gør det muligt at spore, forudsige og dygtigt returnere fjerbolde. Dens sofistikerede "hjerne" gør det muligt at følge fjerboldens bane, forudse dens retning og bevæge sig hurtigt over banen for at opfange og returnere den. Denne præstation, som er beskrevet i tidsskriftet Science Robotics, viser potentialet for at anvende benede robotter i dynamiske opgaver, der kræver præcis perception og hurtige, helkropslige reaktioner.
Robotten er udstyret med et stereokamera for synsbaseret perception og en dynamisk arm til at svinge en badmintonketcher, hvilket kræver præcis synkronisering af perception, bevægelse og armbevægelser. Forskerne trænede systemet ved hjælp af forstærkningslæring, så robotten kunne udvikle effektive strategier gennem eksperimenter og interaktion med omgivelserne. I tests mod menneskelige spillere demonstrerede ANYmal-D sin evne til effektivt at navigere på banen, returnere slag med varierende hastigheder og vinkler samt opretholde dueller på op til 10 sammenhængende slag.
Dette gennembrud er mere end blot en teknologisk nyskabelse. Den firbenede robot benytter syn, sensordata og maskinlæring til at forudse bevægelser og tilpasse sin strategi, hvilket peger på fremtiden for samarbejde mellem mennesker og robotter inden for sport og træning. Projektet forener fysisk robotteknologi med avanceret AI-reasoning og åbner nye muligheder for maskiner, der kan arbejde side om side med mennesker i komplekse, uforudsigelige miljøer.
Robotforskere har opnået store gennembrud i, hvordan robotter lærer og tilpasser sig. En central udvikling er at kombinere forskellige typer data, så de bliver brugbare for robotter. For eksempel kan forskere indsamle data fra mennesker, der udfører opgaver iført sensorer, kombinere det med teleoperationsdata fra mennesker, der styrer robotarme, og supplere med internetbilleder og videoer af folk, der udfører lignende handlinger. Ved at sammenflette disse datakilder i nye AI-modeller får robotter et massivt forspring i forhold til dem, der er trænet med traditionelle metoder. At se flere måder at udføre en enkelt opgave på gør det lettere for AI-modeller at improvisere og bestemme passende næste skridt i virkelige situationer. Dette repræsenterer et fundamentalt skifte i, hvordan robotter lærer.
Dette er et væsentligt aspekt af AI-produktion i dag. Gennembrud inden for forstærkningslæring har gjort det muligt for fysiske robotter at træffe beslutninger og udføre indviklede fysiske opgaver, fra at hænge t-shirts på bøjler til at forme pizzadej. Denne sammensmeltning af generativ AI og robotter har radikalt udvidet de potentielle anvendelser inden for erhvervsliv, sundhedsvæsen, uddannelse og underholdning, hvilket antyder en fremtid, hvor intelligente maskiner integreres problemfrit i vores dagligdag.