Il Robotics and AI Institute (RAI) ha presentato notevoli progressi nell’ambito della robotica avanzata, dimostrando come l’apprendimento per rinforzo (Reinforcement Learning, RL) possa ampliare significativamente le capacità dei robot esistenti. Tra le innovazioni più rilevanti, spiccano l’incremento della velocità del robot quadrupede Spot e l’abilità di un veicolo a due ruote, denominato Ultra Mobility Vehicle (UMV), di eseguire complesse manovre acrobatiche.
Spot, il celebre robot quadrupede sviluppato da Boston Dynamics, aveva una velocità massima originale di 1,6 metri al secondo. Tuttavia, grazie all’applicazione dell’apprendimento per rinforzo, i ricercatori del RAI sono riusciti a portare questa velocità a 5,2 metri al secondo, triplicando così le sue prestazioni. Questo risultato è stato ottenuto identificando e risolvendo limitazioni hardware precedentemente non considerate, come l’insufficiente erogazione di potenza da parte della batteria durante le operazioni ad alta velocità. L’RL ha permesso al robot di apprendere autonomamente le dinamiche ottimali per muoversi più rapidamente, superando le restrizioni iniziali del design.
Parallelamente, il RAI ha applicato tecniche di RL a un veicolo a due ruote chiamato Ultra Mobility Vehicle (UMV). Attraverso sessioni di addestramento intensivo, l’UMV ha acquisito la capacità di mantenere l’equilibrio e di eseguire manovre acrobatiche complesse, come salti su piattaforme elevate. Questo è stato possibile senza l’aggiunta di meccanismi di bilanciamento complessi; invece, i ricercatori hanno semplicemente aumentato la massa nella parte superiore del veicolo e potenziato gli attuatori, consentendo all’UMV di adattarsi e di eseguire compiti dinamici avanzati.
L’apprendimento per rinforzo si basa su un processo in cui un agente (in questo caso, il robot) interagisce con l’ambiente, ricevendo feedback positivi o negativi in base alle azioni compiute. Questo metodo permette al robot di affinare le proprie strategie operative attraverso l’esperienza diretta, migliorando progressivamente le proprie prestazioni. Nel contesto dei progetti di Spot e dell’UMV, l’RL ha svolto un ruolo cruciale nell’identificare e superare le limitazioni hardware, dimostrando che molte restrizioni apparenti possono essere mitigate o eliminate attraverso un apprendimento adattativo e autonomo.
Il Robotics and AI Institute, fondato da ex dirigenti di Boston Dynamics, ha recentemente intensificato la collaborazione con l’azienda madre per avanzare nello sviluppo di robot umanoidi, come Atlas. Questa partnership mira a integrare ulteriormente tecniche di apprendimento avanzato nei sistemi robotici, migliorando sia la mobilità che le capacità manipolative dei robot. L’obiettivo comune è creare macchine più autonome e versatili, capaci di operare in una varietà di ambienti e di eseguire compiti complessi con un grado di autonomia sempre maggiore.