Onderzoekers hebben een nieuwe methode ontwikkeld om de gewichten van neurale netwerken voor humanoïde robots generatief te modelleren, wat leidt tot robots die complexere bewegingen kunnen uitvoeren zonder traditionele training.
In een recent wetenschappelijk onderzoek is aangetoond dat het mogelijk is om hoogwaardige controle-netwerken voor humanoïde robots direct te genereren via hun gewichten. Waar controle-netwerken voorheen hoofdzakelijk werden ontwikkeld via conventionele trainingsprocedures, richt dit nieuwe onderzoek zich op het modelleren van de distributie van de geleerde gewichten om functionele netwerken in de zogenaamde 'weight space' te creëren.
Latente diffusie en de Unitree G1
De onderzoekers, waaronder Huixuan Cheng, Bike Zhang, Shankar Sastry en Koushil Sreenath, maken gebruik van een latent diffusie-raamwerk. Dit systeem combineert een lineaire autoencoder met een Diffusion Transformer. De autoencoder heeft als taak om de parameters van het actor-netwerk te comprimeren tot een compacte latente ruimte, waarna de Diffusion Transformer de distributie van deze latenten modelleert.
Om dit systeem te trainen, is gebruikgemaakt van netwerken die waren verzameld via reinforcement learning voor de Unitree G1 robot. Volgens de publicatie op arxiv.org resulteert deze aanpak in het genereren van inzetbare netwerken die in staat zijn om diverse bewegingen in de echte wereld uit te voeren. Hierbij gaat het onder andere om lopen, dansen en het uitvoeren van een 'spin kick'.
Inzichten in de kinematische structuur
Naast het genereren van nieuwe netwerken hebben de wetenschappers de geleerde gewichtsruimte geanalyseerd om de structuur van deze controle-netwerken beter te begrijpen. Hierbij is een structureel principe ontdekt in de gewichten van de eerste laag, die consistent de kinematische voorkeur van de robot weerspiegelt.
Een opvallend detail is dat deze kinematische voorkeur naar voren komt bij zowel training via Reinforcement Learning (RL) als via Imitation Learning (IL). Dit suggereert dat deze structuur niet specifiek is voor één bepaald optimalisatieproces, maar mogelijk een weerspiegeling is van algemene kennis die verbonden is aan de fysieke opbouw (embodiment) van een humanoïde robot.
Context van modellering en professionele ontwikkeling
Hoewel de focus van dit onderzoek ligt op de technische modellering van neurale gewichten in de robotica, is de term 'modeling' in een bredere maatschappelijke context vaak verbonden aan de mode-industrie. Voor wie een carrière wil starten als menselijk model, bieden platforms zoals go-models.com mogelijkheden om direct in contact te komen met klanten voor fotoshoots en reclamecampagnes, waarbij benadrukt wordt dat ideale afmetingen niet altijd een vereiste zijn.
Daarnaast zijn er diverse gidsen beschikbaar voor beginnende modellen over het opbouwen van een portfolio en het navigeren door agentschappen, zoals beschreven in de handleidingen van wikihow.com. Deze bronnen richten zich op de praktische stappen om een professionele start te maken in de creatieve sector, wat een schril contrast vormt met de wiskundige modellering van neurale netwerken in de robotica.
Conclusie en toekomstperspectief
De resultaten van het onderzoek naar de Unitree G1 tonen aan dat generatieve modellering in de gewichtsruimte van humanoïde netwerken haalbaar is. Het biedt niet alleen een nieuwe weg naar het creëren van agile robots, maar geeft ook fundamentele inzichten in hoe informatie wordt gecodeerd in de gewichten van neurale netwerken.
De volledige details van het onderzoek, inclusief aanvullende resultaten, zijn beschikbaar via de projectpagina die is gelinkt in de . De studie markeert een stap voorwaarts in het begrijpen van de interactie tussen machine learning en de fysieke beperkingen van humanoïde systemen.