एक मानवसदृश रोबोट नेम कुठे धरायचा ते शिकतो

चांगला टेबल-टेनिस खेळाडू एकाच वेळी दोन गोष्टी करतो. तो अंमलबजावणी करतो: चेंडू हवा तिथे टाकण्यासाठी संपूर्ण शरीर हलवतो. आणि तो निर्णय घेतो: प्रतिस्पर्ध्याला अडचणीत आणेल अशी जागा निवडतो. परतीचा फटका अचूक पण सहज पोहोचता येण्याजोगा असू शकतो, किंवा चतुर पण साधायला फार कठीण. रोबोट दोन्ही एकाच वेळी शिकतो, तेव्हा त्याला यश कशामुळे मिळते हे सांगणे कठीण होते.

झेजियांग विद्यापीठ, त्सिंगहुआ विद्यापीठ, तोंगजी विद्यापीठ, ओशन युनिव्हर्सिटी ऑफ चायना, शांघाय इनोव्हेशन इन्स्टिट्यूट आणि RoboParty Lab यांच्या संघाने या दोन्ही गोष्टी वेगळ्या करायचे ठरवले. दोघांना जोडणारा दुवा म्हणजे फक्त एक संख्या-जोडी: टेबलावरील ज्या बिंदूवर चेंडू पडायला हवा तो बिंदू.

सांगितलेल्या ठिकाणी मारणारे शरीर

हा रोबोट Unitree G1 मानवसदृश रोबोट आहे, ज्याला 29 मोटरचलित सांधे आहेत. एक बाह्य ट्रॅकर प्रति सेकंद 100 वेळा चेंडूचा माग घेतो.

चेंडू येतो तेव्हा भौतिकशास्त्रावर आधारित एक नियोजक, चेंडू मागितलेल्या बिंदूवर पाठवण्यासाठी रॅकेटने काय करायला हवे — आघाताच्या क्षणी स्थान, वेग आणि कोन — हे गुरुत्व, हवेचा रोध, टप्पा आणि जाळी लक्षात घेऊन ठरवतो. त्यानंतर एक न्यूरल नेटवर्क ती योजना संपूर्ण शरीरासाठीच्या आदेशांमध्ये रूपांतरित करते, प्रति सेकंद 50 वेळा.

प्रशिक्षण सिम्युलेशनमध्ये तीन टप्प्यांत होते:

1. मारायला शिकणे. रोबोट ठरावीक पद्धतीने फेकलेल्या चेंडूंवर, यादृच्छिकपणे निवडलेल्या बिंदूंवर नेम धरत सराव करतो.
2. रॅली खेळायला शिकणे. दोन सिम्युलेटेड रोबोट एकमेकांविरुद्ध खेळतात. आता येणारे चेंडू खऱ्या प्रतिस्पर्ध्याच्या फटक्यांतून येतात, पण लक्ष्ये अजूनही यादृच्छिक असतात: अजून डावपेच नाहीत.
3. खेळायला शिकणे. संपूर्ण शरीराचे नियंत्रण गोठवले जाते. एक दुसरे, स्वतंत्र नेटवर्क फक्त टेबलावरील नऊ क्षेत्रांपैकी एक निवडायला शिकते — चेंडूचा अलीकडचा मार्ग, स्वतःचे स्थान, प्रतिस्पर्ध्याचे स्थान आणि आधीचे लक्ष्य यांवरून. गुण जिंकल्यावर त्याला बक्षीस मिळते, हाताने लिहिलेला कोणताही डावपेचाचा नियम नसतो.

आधी अचूक, मग अधिक हुशार

सिम्युलेशनमध्ये 99.2% परतीचे फटके वैधपणे पडले, आणि त्यापैकी 94.3% मागितलेल्या जागेपासून 30 सेंटिमीटरच्या आत, सरासरी 15 सेंटिमीटरच्या त्रुटीसह. रॅलींमध्ये सराव केल्याने, पूर्वनिर्धारित चेंडूंवर तितकेच अतिरिक्त प्रशिक्षण घेण्यापेक्षा फटके अधिक अचूक आणि अधिक वेळा वैध झाले.

मग आली निर्णायक चाचणी. प्रत्येक खेळाडूने अगदी तेच गोठवलेले शरीर वापरले, त्यामुळे फरक फक्त लक्ष्याच्या निवडीत होता. शिकलेल्या रणनीतीने जिंकले:

• नेहमी मध्यभागी नेम धरणाऱ्या खेळाडूविरुद्ध 89% गुण;
• यादृच्छिक नेम धरणाऱ्याविरुद्ध 82%;
• नेहमी प्रतिस्पर्ध्यापासून शक्य तितक्या दूर नेम धरणाऱ्याविरुद्ध 73%.

तिला फक्त काही चांगल्या जागा सापडल्या असे नाही. प्रतिस्पर्धी जिथे उभा होता तिथून, आणि आधीचा चेंडू जिथे पाठवला होता तिथून ती आपले लक्ष्य दूर हलवत असे.

एका माणसाविरुद्ध तीन गेम्स

खऱ्या G1 वर, त्याच गोठवलेल्या शरीरासह आणि मोशन ट्रॅकिंगने टिपलेल्या माणसाच्या स्थानासह, रोबोटने त्याच हौशी खेळाडूविरुद्ध 11 गुणांचे तीन गेम्स खेळले. तो 11–4, 11–6 आणि 11–9 असा जिंकला, अनेक फटक्यांच्या रॅलींसह आणि फोरहँड तसेच बॅकहँड दोन्ही परतीच्या फटक्यांसह.

क्लबपर्यंत अजून पोहोचलेला नाही

काय कमी आहे याची यादी लेखक देतात. रोबोट स्वतःच्या डोळ्यांऐवजी बाह्य चेंडू-ट्रॅकर आणि मोशन कॅप्चरवर अवलंबून आहे. चेंडूचे प्रतिमान फिरकीकडे दुर्लक्ष करते. नऊ क्षेत्रांमुळे त्याचे डावपेच मर्यादित राहतात, तो प्रतिस्पर्ध्याला फक्त जमिनीवरील एक स्थान म्हणून पाहतो, आणि तो ठरावीक जागी सर्व्हिस करतो. आणि त्याचे सर्व खरे सामने एकाच हौशी खेळाडूविरुद्ध होते. त्यांचा व्यापक मुद्दा हा एक रचना-नियम आहे: खालचे शरीर शिकत राहिले तरी ध्येयाचा अर्थ स्थिर ठेवा.