Pierwszy tydzień lipca 2025 roku przyniósł znaczący przełom w dziedzinie sztucznej inteligencji i robotyki, gdy naukowcy zaprezentowali maszyny o niespotykanej dotąd zdolności przewidywania ruchów i dostosowywania strategii w dynamicznych środowiskach.
W centrum tego postępu znajduje się ANYmal-D, czteronożny robot opracowany przez ETH Zurich, który potrafi autonomicznie grać w badmintona z ludzkimi przeciwnikami. Robot wykorzystuje innowacyjny system sterowania oparty na uczeniu przez wzmacnianie, który pozwala mu śledzić, przewidywać i zręcznie odbijać lotki. Jego zaawansowany „mózg” umożliwia śledzenie trajektorii lotki, przewidywanie jej toru oraz szybkie przemieszczanie się po korcie, by ją przechwycić i odegrać. To osiągnięcie, opisane w czasopiśmie Science Robotics, pokazuje potencjał wykorzystania robotów kroczących w dynamicznych zadaniach wymagających precyzyjnej percepcji i szybkich, całościowych reakcji ciała.
Robot wyposażony jest w stereoskopową kamerę do percepcji wizyjnej oraz dynamiczne ramię do trzymania rakietki, co wymaga precyzyjnej synchronizacji percepcji, lokomocji i ruchów ramienia. Naukowcy trenowali system za pomocą uczenia przez wzmacnianie, umożliwiając robotowi rozwijanie skutecznych strategii poprzez eksperymentowanie i interakcję z otoczeniem. W testach z ludzkimi graczami ANYmal-D wykazał zdolność efektywnego poruszania się po korcie, odbijania uderzeń o różnych prędkościach i kątach oraz utrzymywania wymian nawet do 10 kolejnych odbić.
Ten przełom to coś więcej niż tylko technologiczna ciekawostka. Czworonożny robot wykorzystuje wizję, dane z czujników i uczenie maszynowe do przewidywania ruchów i dostosowywania strategii, ukazując przyszłość współpracy człowieka z robotem w sporcie i szkoleniach. Projekt łączy fizyczną robotykę z zaawansowanym rozumowaniem AI, otwierając nowe możliwości dla maszyn, które mogą pracować ramię w ramię z ludźmi w złożonych, nieprzewidywalnych środowiskach.
Robotycy dokonali wielkich postępów w sposobie, w jaki roboty uczą się i adaptują. Jednym z kluczowych osiągnięć jest łączenie różnych typów danych, by uczynić je użytecznymi dla robotów. Przykładowo, naukowcy mogą zbierać dane od ludzi wykonujących zadania z założonymi czujnikami, łączyć je z danymi z teleoperacji, gdzie ludzie sterują ramionami robotycznymi, oraz uzupełniać je obrazami i filmami z internetu, przedstawiającymi ludzi wykonujących podobne czynności. Integrując te źródła w nowe modele AI, roboty zyskują ogromną przewagę nad tymi trenowanymi tradycyjnymi metodami. Widząc różne sposoby wykonania jednego zadania, modele AI łatwiej improwizują i określają właściwe kolejne ruchy w rzeczywistych sytuacjach. To fundamentalna zmiana w sposobie uczenia się robotów.
To istotny aspekt współczesnej produkcji AI. Przełomy w uczeniu przez wzmacnianie umożliwiły fizycznym robotom podejmowanie decyzji i wykonywanie złożonych zadań fizycznych, od wieszania koszulek na wieszakach po wyrabianie ciasta na pizzę. To połączenie generatywnej AI i robotyki radykalnie poszerzyło potencjalne zastosowania w biznesie, opiece zdrowotnej, edukacji i rozrywce, sugerując przyszłość, w której inteligentne maszyny płynnie zintegrują się z naszym codziennym życiem.