ఎక్కడ గురిపెట్టాలో నేర్చుకునే హ్యూమనాయిడ్ రోబో

మంచి టేబుల్ టెన్నిస్ ఆటగాడు ఒకేసారి రెండు పనులు చేస్తాడు. వారు అమలు చేస్తారు: తాము కోరుకున్న చోట బంతిని పెట్టడానికి శరీరం మొత్తాన్ని కదిలిస్తారు. వారు నిర్ణయిస్తారు: ప్రత్యర్థిని ఇబ్బంది పెట్టే చోటును ఎంచుకుంటారు. ఒక రిటర్న్ కచ్చితంగా ఉండి కూడా సులభంగా అందుకునేలా ఉండవచ్చు, లేదా తెలివైనదైనా సాధించడానికి మరీ కష్టంగా ఉండవచ్చు. రోబో రెండింటినీ ఒకేసారి నేర్చుకుంటే, దాని గెలుపుకు ఏది కారణమో చెప్పడం కష్టం.

ఝెజియాంగ్ విశ్వవిద్యాలయం, సింఘువా విశ్వవిద్యాలయం, టోంగ్జీ విశ్వవిద్యాలయం, ఓషన్ యూనివర్సిటీ ఆఫ్ చైనా, షాంఘై ఇన్నోవేషన్ ఇన్‌స్టిట్యూట్, RoboParty Lab లకు చెందిన బృందం వీటిని వేరు చేయాలని నిర్ణయించుకుంది. రెండింటి మధ్య లింకు ఒకే ఒక్క సంఖ్యల జత: బంతి బల్లపై పడాల్సిన బిందువు.

చెప్పిన చోట కొట్టే శరీరం

రోబో ఒక Unitree G1 హ్యూమనాయిడ్, దానికి మోటారుతో నడిచే 29 కీళ్లు ఉన్నాయి. ఒక బాహ్య ట్రాకర్ సెకనుకు 100 సార్లు బంతిని అనుసరిస్తుంది.

బంతి వచ్చినప్పుడు, భౌతికశాస్త్రం ఆధారిత ప్లానర్ ఒకటి, అడిగిన పడే బిందువుకు బంతిని పంపడానికి బ్యాట్ ఏం చేయాలో — తాకే క్షణంలో స్థానం, వేగం, కోణం — లెక్కిస్తుంది. ఇందులో గురుత్వాకర్షణ, గాలి నిరోధం, బౌన్స్, నెట్‌ను పరిగణనలోకి తీసుకుంటుంది. తర్వాత ఒక న్యూరల్ నెట్‌వర్క్ ఆ ప్రణాళికను శరీరం మొత్తానికి ఆదేశాలుగా మారుస్తుంది, సెకనుకు 50 సార్లు.

శిక్షణ సిమ్యులేషన్‌లో మూడు దశల్లో జరుగుతుంది:

1. కొట్టడం నేర్చుకోవడం. రోబో ఒక నిర్దిష్ట పద్ధతిలో విసిరిన బంతులపై, యాదృచ్ఛికంగా ఎంచుకున్న పడే బిందువులకు గురిపెడుతూ సాధన చేస్తుంది.
2. ర్యాలీ ఆడటం నేర్చుకోవడం. రెండు సిమ్యులేటెడ్ రోబోలు ఒకదానితో ఒకటి ఆడతాయి. ఇప్పుడు వచ్చే బంతులు నిజమైన ప్రత్యర్థి షాట్ల నుంచి వస్తాయి, కానీ లక్ష్యాలు ఇంకా యాదృచ్ఛికమే: ఇంకా వ్యూహాలు లేవు.
3. ఆట ఆడటం నేర్చుకోవడం. శరీరం మొత్తం నియంత్రణను స్తంభింపజేస్తారు. రెండో, వేరైన నెట్‌వర్క్ బల్లపై ఉన్న తొమ్మిది జోన్లలో ఒకదాన్ని ఎంచుకోవడం మాత్రమే నేర్చుకుంటుంది — బంతి ఇటీవలి మార్గం, తన స్థానం, ప్రత్యర్థి స్థానం, తన మునుపటి లక్ష్యం ఆధారంగా. పాయింట్లు గెలిచినందుకు దానికి బహుమతి లభిస్తుంది, చేతితో రాసిన ఏ వ్యూహ నియమమూ ఉండదు.

మొదట కచ్చితంగా, తర్వాత తెలివిగా

సిమ్యులేషన్‌లో 99.2% రిటర్న్‌లు చెల్లుబాటయ్యేలా పడ్డాయి, వాటిలో 94.3% అడిగిన చోటుకు 30 సెంటీమీటర్ల లోపు, సగటు దోషం 15 సెంటీమీటర్లు. ర్యాలీల్లో సాధన చేయడం వల్ల, ముందే నిర్ణయించిన బంతులపై అంతే అదనపు శిక్షణ కంటే షాట్లు మరింత కచ్చితంగా, మరింత తరచుగా చెల్లుబాటయ్యేలా మారాయి.

తర్వాత కీలక పరీక్ష వచ్చింది. ప్రతి ఆటగాడూ సరిగ్గా అదే స్తంభింపజేసిన శరీరాన్ని వాడాడు, కాబట్టి తేడా కేవలం లక్ష్య ఎంపికలోనే. నేర్చుకున్న వ్యూహం గెలిచింది:

• ఎప్పుడూ మధ్యకే గురిపెట్టే ఆటగాడిపై 89% పాయింట్లు;
• యాదృచ్ఛికంగా గురిపెట్టే ఆటగాడిపై 82%;
• ఎప్పుడూ ప్రత్యర్థికి వీలైనంత దూరంగా గురిపెట్టే ఆటగాడిపై 73%.

అది కేవలం కొన్ని మంచి చోట్లను కనుగొనడం మాత్రమే కాదు. ప్రత్యర్థి నిలబడిన చోటు నుంచి, తాను మునుపటి బంతిని పంపిన చోటు నుంచి దూరంగా తన లక్ష్యాన్ని మార్చింది.

ఒక మనిషితో మూడు గేములు

నిజమైన G1 పై, అదే స్తంభింపజేసిన శరీరంతో, మోషన్ ట్రాకింగ్ ద్వారా మనిషి స్థానాన్ని గ్రహిస్తూ, రోబో అదే వినోద ఆటగాడితో 11 పాయింట్ల మూడు గేములు ఆడింది. అది 11–4, 11–6, 11–9 తో గెలిచింది, అనేక షాట్ల ర్యాలీలతో, ఫోర్‌హ్యాండ్, బ్యాక్‌హ్యాండ్ రెండు రకాల రిటర్న్‌లతో.

క్లబ్ స్థాయికి ఇంకా రాలేదు

ఏం లోపించిందో రచయితలు జాబితా ఇస్తారు. రోబో తన సొంత కళ్లకు బదులు బాహ్య బంతి ట్రాకర్, మోషన్ క్యాప్చర్‌పై ఆధారపడుతుంది. బంతి నమూనా స్పిన్‌ను పట్టించుకోదు. తొమ్మిది జోన్లు దాని వ్యూహాలను పరిమితం చేస్తాయి, అది ప్రత్యర్థిని నేలపై ఒక స్థానంగా మాత్రమే చూస్తుంది, ఒక నిర్దిష్ట చోటుకే సర్వ్ చేస్తుంది. దాని నిజమైన ఆటలన్నీ ఒకే ఒక్క ఔత్సాహిక ఆటగాడితోనే జరిగాయి. వారి విస్తృత అంశం ఒక డిజైన్ నియమం: కింద ఉన్న శరీరం నేర్చుకుంటూనే ఉన్నా, లక్ష్యం యొక్క అర్థాన్ని స్థిరంగా ఉంచండి.