Bài viết này được thực hiện bởi Alberto Rodriguez, Giám đốc Hành vi Robot cho Atlas, Shane Rozen-Levy, Kỹ sư Nghiên cứu, và Vinay Kamidi, Kỹ sư Nghiên cứu.
Robot hình người này thực sự khác biệt so với mọi thứ bạn từng thấy. Trong video mới nhất của chúng tôi, robot Atlas® xoay phần thân trên 180 độ, ngồi xổm để nâng một chiếc tủ lạnh mini và mang nó đến gần một kỹ sư đang nghỉ ngơi. Những chi tiết tinh tế hơn ít ngay lập tức nhận ra—robot sử dụng toàn bộ cánh tay, chân và phần thân trên để xử lý việc nâng vật nặng mà con người có thể thấy khó khăn—và cả những khía cạnh không xuất hiện trên camera—tốc độ phát triển và độ chính xác của hành vi.
Đó là một hình ảnh độc đáo, nhưng câu hỏi đặt ra là tại sao chúng tôi lại thực hiện điều này?
Các robot khác của chúng tôi được thiết kế để tự động hóa những công việc nặng nhọc nhất. Robot Stretch® tự động dỡ những kiện hàng nặng 23 kilogram (50 pound) trong điều kiện nhiệt độ cao. Robot Spot® thực hiện tuyến kiểm tra giống nhau hằng ngày, đo lường cùng một thời điểm chính xác để phát hiện sớm các dấu hiệu hư hỏng trên sàn nhà máy. Những công việc này tuy nhàm chán nhưng đòi hỏi độ chính xác và tập trung cao độ mà Stretch và Spot đã cung cấp một cách đáng tin cậy.
Atlas hướng đến việc cung cấp một dải năng lực rộng lớn đáp ứng nhu cầu tại các nhà máy, kho hàng hoặc công trường xây dựng với yêu cầu cao về sức mạnh, sự bền bỉ và sự khéo léo. Chúng tôi xây dựng Atlas như một công cụ đa năng cho các công việc thể chất. Để đạt được hiệu suất và độ tin cậy trong môi trường thực tế, chúng tôi cần những bước tiến đáng kể trong cả phần cứng và hành vi.
Chuỗi hành động trong đoạn video là một thử nghiệm có chủ đích nhằm thể hiện các tiến bộ quan trọng về cả phần cứng và hành vi. Chỉ trong vài tuần sau lần ra mắt công chúng của Atlas vào tháng 1, chúng tôi đã thể hiện hiệu suất chưa từng có về sức mạnh, sự di chuyển và kiểm soát toàn thân của robot hình người. Tiếp tục theo dõi để tìm hiểu cách chúng tôi huấn luyện Atlas, triển khai nền tảng mới và lý do tại sao nghiên cứu này mang tính đột phá.
Trí Tuệ Thể Chất Ứng Dụng Thực Tiễn
Trong những năm gần đây, chúng tôi chứng kiến sự chuyển đổi căn bản sang các kiến trúc hành vi dựa trên dữ liệu trình diễn, với khả năng tổng quát hóa ngày càng tăng. Đây là yếu tố thiết yếu để hiện thực hóa lời hứa của robot hình người — khả năng thích nghi, học nhanh và tái sử dụng dễ dàng. Chúng tôi đã chứng minh các kiến trúc này có thể điều khiển hành vi không chỉ của các cánh tay gắn bàn mà còn của các robot hình người hoàn chỉnh với những nhiệm vụ thực tế.
Dù tạo ra hành vi hiệu quả, các phương pháp phổ biến hiện nay vẫn tồn tại một số giới hạn: chúng phụ thuộc quá nhiều vào phản hồi camera liên tục không chỉ để hiểu thế giới mà còn để điều phối các vòng điều khiển; các tương tác với thế giới chủ yếu thông qua một tập hợp bề mặt rất hạn chế của robot, chủ yếu là ngón tay, thậm chí chỉ là đầu ngón; và hầu như chỉ tập trung vào các nhiệm vụ nhẹ nhàng.
Công việc thực sự, đặc biệt là những công việc nặng nhọc, đòi hỏi một cách tiếp cận rộng hơn về trí tuệ thể chất. Khi chúng ta mang vác đồ vật, chúng ta sử dụng bất kỳ bề mặt nào của cơ thể để chịu lực, đồng thời thích nghi với hình dạng, khối lượng và độ cứng thông qua cảm giác xúc giác.
Bạn không thể nâng tủ lạnh chỉ bằng cách nhìn và sử dụng đôi tay. Bạn phải chuẩn bị để đoán trước trọng lượng, nghiêng người vào vật, và để cơ thể thực hiện việc thích nghi với hình dạng, cân bằng trọng lượng, đồng thời kiểm nghiệm khả năng nâng. Công việc thực sự diễn ra trong quá trình tương tác. Robot hình người cần có khả năng mang vác thùng hàng giữa cẳng tay và bắp tay, có thể dùng đầu gối nâng vật nặng từ sàn lên đùi, và cũng có thể đặt một vật dài, nặng lên vai hoặc ôm ghì một chiếc tủ lạnh một cách chắc chắn.
Atlas sử dụng học tăng cường (RL) để học cách nâng tủ lạnh thông qua việc luyện tập hàng ngàn biến thể khác nhau của tủ lạnh trong mô phỏng. Thách thức lớn không phải là nhận biết tủ lạnh hay cách nâng, mà là học cách thích nghi với mọi phiên bản tủ lạnh mà Atlas có thể gặp trong thế giới thật. Đây là một bài toán kết hợp giữa điều khiển và cảm nhận, với việc cảm nhận được thực hiện ngầm thông qua cảm giác nội tại cơ thể. Chính sách điều khiển hành vi đã học cách thích nghi với các biến thể như vị trí tủ lạnh, trọng lượng, lực bám mặt đất và đồ vật, cũng như cấu hình khi tủ lạnh nằm gọn giữa thân, tay và bàn tay. Mức độ thích nghi này là một trong những nền tảng cơ bản nhất của trí tuệ thể chất.
Robot Chịu Trọng Lực Đặc Biệt
Phần cứng mà chúng tôi giới thiệu hôm nay cũng rất khác biệt. Thế hệ Atlas này đứng riêng một đẳng cấp, không chỉ bởi thiết kế phù hợp với tính di động và sức mạnh cần thiết cho công việc thực tế, mà còn bởi sự đơn giản và độ tin cậy cần thiết cho quy mô sản xuất lớn. Hình dáng robot hình người rõ ràng mang lại giá trị, nhưng có thể tối ưu hiệu suất và hiệu quả thông qua những điều chỉnh chiến lược.
Dưới đây là những điểm nổi bật có thể không dễ nhận thấy ngay từ cái nhìn đầu tiên:
- Chúng tôi chỉ sử dụng hai loại bộ truyền động duy nhất cho toàn thân. Điều này giúp tập trung phát triển bộ truyền động mạnh mẽ và hiệu quả hơn với quy mô lớn, từ đó giảm chi phí. Tất cả là bộ truyền động quay, rất dễ đại diện chính xác trong mô phỏng, yếu tố then chốt cho việc học tăng cường hiệu suất cao với phản hồi nội tại.
- Chúng tôi lặp lại càng nhiều cụm phụ kiện càng tốt trên cơ thể. Cả hai chân và hai tay đều giống hệt nhau. Kết cấu từ vai đến vai và từ xương chậu đến xương chậu cũng đồng nhất.
- Bộ truyền động có khả năng quay vô hạn. Chúng tôi loại bỏ tất cả cáp nối qua khớp và loại bỏ nguyên nhân chính dẫn đến hỏng hóc phần cứng trong các bộ truyền động. Điều này giảm chi phí cho khách hàng đồng thời giúp Atlas có cách di chuyển độc đáo và hiệu quả.
- Bàn chân được thiết kế đối xứng trước và sau vì Atlas có khả năng di chuyển tiến lùi một cách linh hoạt.
- Tay, chân, bàn tay và đầu đều là các đơn vị có thể thay thế nhanh tại hiện trường, chỉ mất vài phút để hoán đổi.
Việc di chuyển một chiếc tủ lạnh mini thể hiện sức mạnh, khả năng phối hợp toàn thân và sử dụng phản hồi nội tại. Đây là tiêu chuẩn để đánh giá công việc công nghiệp—vận chuyển các vật cồng kềnh, nặng mà con người thường phải làm với đồng đội trong môi trường sản xuất.
Tuy nhiên, các nhiệm vụ kém thực tế hơn cũng có vai trò nhất định. Ví dụ, việc thực hiện trồng cây chuối hay nhào lộn trên robot nặng 90 kilogram (198 pound) cho thấy hệ thống quản lý nhiệt xuất sắc, giúp Atlas có thể làm việc trong môi trường nhiệt độ cao. Những hành vi này cũng huấn luyện các kỹ năng có thể chuyển giao khác—cách di chuyển uyển chuyển, giữ thăng bằng, sử dụng phạm vi chuyển động đầy đủ trong môi trường hạn chế, và phục hồi nhanh sau khi trượt ngã.
Chúng tôi đã làm việc với Atlas phiên bản mới trong vài tháng qua và nhận được những kết quả rất tích cực, sẵn sàng bắt đầu hành trình sản xuất quy mô lớn.
Quy Trình Huấn Luyện
Một trong những mục tiêu cho Atlas như một sản phẩm cũng như nền tảng nghiên cứu là có thể huấn luyện và triển khai hành vi mới trong vòng một ngày. Màn trình diễn này chưa nhanh như vậy nhưng nhanh hơn nhiều so với dự kiến để Atlas thực hiện động tác nâng tủ lạnh một cách nhất quán.
Cách chúng tôi huấn luyện robot:
- Tham khảo: Để bắt đầu hành vi mới, chúng tôi sử dụng đường bay tham chiếu — dữ liệu hướng dẫn chính sách cần làm gì. Đây có thể là bản trình diễn điều khiển từ xa, một đoạn animation hoặc mô tả mục tiêu trừu tượng hơn. Với động tác nâng tủ lạnh, chúng tôi bắt đầu với animation đơn giản, tận dụng tối đa phạm vi chuyển động siêu phàm của Atlas.
- Phần thưởng: Sau đó, chúng tôi đặt mục tiêu robot di chuyển càng sát với animation càng tốt để hoàn thành nhiệm vụ. Phần thưởng được thiết lập để củng cố hành vi mong muốn — giữ vật nặng chắc trong tay Atlas ở vị trí và hướng như dự định — cũng như khả năng chống lại các lực xô đẩy, kéo đẩy trong lúc thao tác, giúp chính sách học cách duy trì nhiệm vụ chính ngay cả khi gặp nhiễu loạn.
- Mô phỏng: Atlas luyện tập động tác hàng triệu giờ trong mô phỏng song song trên GPU. Nhờ trải nghiệm phong phú trong mô phỏng, Atlas học cách thích nghi với nhiều biến thể khác nhau của tủ lạnh.
- Robot thật: Sau khi mô phỏng có kết quả, chúng tôi thử nghiệm trên phần cứng. Boston Dynamics luôn theo triết lý xây dựng – phá hỏng – sửa chữa, tiếp tục áp dụng trong nghiên cứu tập trung vào sản phẩm và AI hiện đại. Mô phỏng chỉ giúp đến mức độ nhất định, còn thử nghiệm trên robot mới giúp cải thiện thực sự.
- Lặp lại: Khi có dữ liệu thực tế về hiệu suất của chính sách trên robot thật, chúng tôi quay lại quá trình huấn luyện để điều chỉnh và hoàn thiện hành vi.
Thu Hẹp Khoảng Cách Mô Phỏng – Thực Tế
Một trong những cải tiến quan trọng nhất trên phiên bản doanh nghiệp của Atlas là độ chính xác cao của môi trường mô phỏng. Khoảng cách mô phỏng-thực tế rất nhỏ; việc huấn luyện, thử nghiệm và lặp lại diễn ra nhanh chóng. Nói chung, nếu hành vi trông ổn trong mô phỏng thì cũng sẽ hiệu quả trên robot thật.
Khoảng cách mô phỏng-thực tế là sự khác biệt về hiệu suất của một chính sách trong mô phỏng và trong môi trường thực tế. Các giả định và đơn giản hóa toán học trong mô phỏng không phản ánh được sự phức tạp thực sự của thế giới thực. Các biến thiên nhỏ như ma sát, độ trễ hay nhiễu cảm biến cộng dồn dẫn đến thất bại khi áp dụng thực tế.
Dù không thể đóng hoàn toàn khoảng cách này, chúng tôi đã tiến rất gần. Toàn bộ đội ngũ Atlas xây dựng quy trình nghiêm ngặt và hệ thống hỗ trợ cho thử nghiệm và phát triển. Chúng tôi có thể từ huấn luyện chính sách hôm nay sang thử nghiệm trên robot với chính sách đã hoàn thiện vào ngày mai, thu thập dữ liệu để cải tiến cho lần thử tiếp theo.
Điều gì giúp thu hẹp khoảng cách mô phỏng-thực tế đến mức tối thiểu?
- Phần cứng độ chính xác cao: Khác với các phiên bản trước đây, nền tảng này chỉ dùng hai loại bộ truyền động mạnh mẽ, hiệu quả và hoàn toàn đối xứng. Sự đơn giản trong thiết kế và cấu trúc cùng hiệu suất cao của bộ truyền động cho phép chúng tôi mô phỏng robot với độ chính xác tuyệt vời. Vì mô hình robot và phần cứng thực tế rất gần nhau, khi triển khai chính sách huấn luyện sẽ ít gặp vấn đề về độ trung thực. Những gì bạn thấy trong mô phỏng là những gì nhận được trong thực tế.
- Đa dạng hóa miền huấn luyện: Để chính sách được bền vững, chúng tôi không huấn luyện trong môi trường hoàn hảo. Sử dụng đa dạng hóa tham số, như trọng lượng tủ lạnh, ma sát sàn hay công suất động cơ được biến đổi nhẹ suốt quá trình huấn luyện. Những biến thể nhỏ, ngẫu nhiên giúp hành vi cuối cùng chịu được sự biến động của thế giới thực. Ví dụ, chính sách di chuyển tủ lạnh được huấn luyện cho tải trọng 50-70 pound, nhưng robot đã thành công khi nâng tủ lạnh tải trọng thực hơn 100 pounds. Chúng tôi cũng thử nghiệm không trong điều kiện chuẩn. Tủ lạnh được chất nhiều vật dụng khác nhau trong phòng thí nghiệm; trọng lượng không đồng đều và có thể dịch chuyển trong quá trình di chuyển. Với chính sách huấn luyện tốt, Atlas có thể xử lý tất cả các yếu tố nhiễu này một cách tự động, không cần kỹ sư can thiệp.
- Con người và quy trình: Cuối cùng, quy trình và hoạt động của chúng tôi được thiết kế để việc huấn luyện, thử nghiệm và nghiên cứu trở nên thuận tiện. Một pipeline nghiêm ngặt được thiết lập cùng với sự hợp tác chặt chẽ giữa các nhóm liên quan đến thiết kế phần cứng, kỹ thuật sửa chữa và điều khiển robot. Toàn bộ tổ chức đồng lòng để tối ưu độ tin cậy và hiệu suất của Atlas đồng thời mở rộng giới hạn khả năng.
Bàn Tay Chịu Lực Nặng
Lưu ý về bàn tay: bộ kẹp sử dụng trong thí nghiệm tủ lạnh và phần trình diễn thể dục không phải phiên bản mới nhất. Đây là bộ kẹp cơ bản chúng tôi dùng trong hơn một năm rưỡi qua — đủ mạnh để thực hiện trồng cây chuối và chịu trọng lượng cơ thể robot, nặng hơn nhiều so với chiếc tủ lạnh mini ở mức 90 kilogram (198 pound). Chúng tôi đang thử nghiệm bộ kẹp khéo léo hơn, hãy đón chờ những cập nhật hấp dẫn về bàn tay robot.