Kan robotar lära sig lika snabbt som människor?

Vetenskapsrådet står bakom finansieringen. Vi har pratat med Xi Vincent Wang om forskningsidén, inspirationen från hjärnans inlärningsförmåga och teknikens framtida möjligheter.

Kan du berätta om projektet?

– Målet med projektet är att utveckla robotar som kan lära sig och anpassa sig lika snabbt som människans hjärna. I verkliga miljöer förändras förutsättningarna hela tiden. Ett föremål kan exempelvis vara tyngre än förväntat, friktionen på underlaget kan förändras eller ett verktyg kan fungera annorlunda än väntat.

Människan kan anpassa sina rörelser nästan omedelbart, medan robotar ofta behöver tid för att räkna om och justera sitt beteende. Vi vill utveckla nya inlärningsmetoder inspirerade av hjärnans funktioner, så att robotar kan anpassa sig inom millisekunder i stället för sekunder. Metoderna kommer också att testas på verkliga robotar, säger Xi Vincent.

Vad innebär attraktordriven inlärning?

– Attractor-driven learning, eller attraktordriven inlärning, är en metod som bygger på stabila aktivitetsmönster i neurala nätverk. I stället för att upprepade gånger beräkna fel och justera parametrar använder systemet strukturen i sin befintliga kunskap för att snabbt hitta en ny stabil lösning när förutsättningarna förändras.

Man kan likna det vid att hitta en ny balanspunkt utan att behöva börja om från början. Det skulle kunna göra inlärning och anpassning betydligt snabbare.

Hur hänger metoden ihop med människans hjärna?

– Människans hjärna har en fantastisk förmåga att snabbt anpassa rörelser när något oväntat händer. Om vi exempelvis lyfter ett föremål som visar sig vara tyngre än vi trodde, justerar hjärnan nästan omedelbart hur mycket kraft vi behöver använda.

Det sker utan att vi behöver stanna upp och lära oss rörelsen på nytt. I projektet undersöker vi hur liknande mekanismer i hjärnan kan inspirera nya inlärningsmetoder för robotar. Genom att förstå dessa principer hoppas vi kunna utveckla artificiella system som anpassar sig snabbare och mer effektivt.

Varför är den här metoden särskilt intressant?

– Den största fördelen är hastigheten. Traditionella metoder inom artificiell intelligens kräver ofta många beräkningssteg för att anpassa sig till nya förhållanden. Det kan vara en begränsning inom robotik, där förändringar ibland sker mycket snabbt.

Med attraktordriven inlärning skulle robotar kunna anpassa sitt beteende nästan omedelbart genom att använda tidigare inlärd kunskap, utan att behöva tränas om upprepade gånger eller vara beroende av detaljerad felåterkoppling. Det skulle kunna göra robotar mer flexibla, effektiva och tillförlitliga i miljöer där förutsättningarna hela tiden förändras, förklarar Xi Vincent.

Vilka områden kan dra nytta av forskningen?

Det finns många möjliga tillämpningsområden där robotar behöver kunna hantera förändrade och oförutsägbara situationer.

• Industriell tillverkning: Robotar skulle snabbt kunna anpassa sig till olika produkter, verktyg och monteringsförhållanden, vilket kan göra produktionen mer flexibel.

• Humanoida robotar: Människoliknande robotar skulle kunna justera sina rörelser när de hanterar föremål eller interagerar med människor.

• Autonoma system: Robotar skulle kunna reagera bättre på förändrade markförhållanden och oväntade hinder.

• Människa–robot-samarbete: Robotar skulle snabbare och säkrare kunna anpassa sitt beteende när de arbetar tillsammans med människor.

– På längre sikt kan forskningen bidra till att utveckla mer intelligenta och flexibla robotar som bättre kan hantera verkliga situationer och arbeta med mindre behov av mänsklig inblandning, avslutar han.

Text: Rita Nõu