“Boston Dynamics” โชว์หุ่นยนต์ Atlas ติดล้อ เร่งพัฒนาหุ่นยนต์ AI แห่งอนาคต

บริษัท Boston Dynamics ในเครือฮุนได มอเตอร์ กรุ๊ป (Hyundai Motor Group) เปิดเผยความสามารถล่าสุดของหุ่นยนต์ฮิวแมนนอยด์ Atlas ผ่านการทดลองติดตั้งล้อเพื่อทดสอบการเคลื่อนที่รูปแบบใหม่ โดยมุ่งผลักดันขีดจำกัดการทำงานของระบบขับเคลื่อน (Actuators) และโมเดลการเรียนรู้การเคลื่อนไหวของหุ่นยนต์ Whole-Body Reinforcement Learning หรือ RL เพื่อศึกษาประสิทธิภาพและพัฒนาระบบควบคุมให้รองรับการเคลื่อนไหวอย่างมีประสิทธิภาพ

หุ่นยนต์ Atlas ติดล้อไม่ได้ถูกสร้างมาเพื่อเป็นผลิตภัณฑ์เชิงพาณิชย์ แต่เป็นการทดลองสำหรับการวิจัย จากข้อมูลการใช้งานจริงของลูกค้ากับหุ่นยนต์ตลอดหลายปี ทำให้ทราบว่าหุ่นยนต์ในโลกแห่งความเป็นจริงมักเผชิญความท้าทายที่ไม่สามารถจำลองได้ครบถ้วนในห้องปฏิบัติการ จึงจำเป็นต้องเข้าใจว่าหุ่นยนต์จะมีปฏิกิริยาอย่างไรต่อสถานการณ์สุดขั้ว 

เช่นเดียวกับความสามารถทางกายภาพอื่น ๆ ของหุ่นยนต์ Atlas มีเป้าหมายเพื่อทดสอบว่าระบบควบคุมทั้งร่างกายที่ผ่านการเรียนรู้ (Learned Whole-Body Controller) สามารถทำงานร่วมกับตัวขับเคลื่อนจริงได้แม่นยำเพียงใด โดยเฉพาะในช่วงที่ต้องทำงานใกล้ขีดจำกัดสูงสุดของสมรรถนะ

ทำไมต้องเป็นล้อ ?

โจทย์คือต้องการสถานการณ์ที่มอเตอร์ต้องสร้างแรงบิดสูง (High Torque) และความเร็วรอบสูง (High Speed) อย่างต่อเนื่องไปพร้อมกับการรับน้ำหนักจริงตลอดเวลา การวิ่งด้วยล้อตอบโจทย์นี้ได้อย่างลงตัว เพราะทุกจังหวะการออกตัว เลี้ยว และหยุด ล้วนบังคับให้มอเตอร์ทำงานครอบคลุมทุกช่วงของกราฟแรงบิดและความเร็ว (Torque-Speed Range)

ขั้นตอนการดัดแปลงกลับเรียบง่าย ซึ่งชิ้นส่วนใหม่เพียงชิ้นเดียวในงานนี้คืออะแดปเตอร์สั่งทำพิเศษ เพื่อยึดกระทะล้อสกู๊ตเตอร์ทั่วไปเข้ากับตัวขับเคลื่อนข้อเท้าเดิมของหุ่น เนื่องจาก Atlas ถูกออกแบบมาตั้งแต่แรกให้รองรับการผลิตจำนวนมากและง่ายต่อการซ่อมบำรุง การติดตั้งนี้จึงง่ายพอ ๆ กับการเปลี่ยนล้อจักรยาน

ในด้านซอฟต์แวร์ก็ตรงไปตรงมา ล้อแต่ละข้างถูกจำลองให้เป็น "ข้อเท้า" ที่หมุนได้ต่อเนื่อง สิ่งที่ต้องทำจึงมีเพียงการนำโมเดลหุ่นยนต์มาตรฐานมาเปลี่ยนเท้าให้เป็นล้อในระบบจำลอง วิธีการนี้ช่วยให้สามารถนำระบบควบคุมและเทคโนโลยีการเรียนรู้ที่พัฒนามาก่อนหน้านี้มาต่อยอดได้ โดยไม่จำเป็นต้องสร้างระบบควบคุมใหม่ทั้งหมดตั้งแต่ต้น

เชื่อมต่อแต่ละเลเยอร์เข้าด้วยกัน 

การพัฒนาหุ่นยนต์ Atlas อาศัยความร่วมมือจากผู้เชี่ยวชาญหลายสาขา ตั้งแต่การออกแบบระบบขับเคลื่อน (Actuators) การควบคุมมอเตอร์ระดับพื้นฐาน (Low-Level Motor Control) ไปจนถึงการเรียนรู้แบบเสริมกำลังเพื่อควบคุมการเคลื่อนไหวของหุ่นยนต์ทั้งตัว 

โดยความแม่นยำของระบบจำลอง (Simulation) ถือเป็นปัจจัยสำคัญ หากระบบจำลองกำหนดให้มอเตอร์มีความสามารถสูงเกินความเป็นจริง AI อาจเรียนรู้ท่าทางที่หุ่นยนต์ตัวจริงไม่สามารถทำตามได้ ดังนั้น ผู้พัฒนาจึงต้องสร้างแบบจำลองที่สะท้อนข้อจำกัดของมอเตอร์จริงให้แม่นยำที่สุด เพื่อให้ AI เรียนรู้การเคลื่อนไหวที่สามารถนำไปใช้งานกับหุ่นยนต์จริงได้อย่างมั่นคงและมีประสิทธิภาพ

ปิดช่องว่างระหว่างแบบจำลองกับโลกจริง (Sim-to-Real Gap) 

หัวใจสำคัญของการฝึกฝนหุ่นยนต์ผ่าน Reinforcement Learning คือ การจำลองการทำงานนับล้านครั้งในโลกเสมือนก่อนนำมาลงฮาร์ดแวร์จริง โดยมีความท้าทายสูงสุด คือ การลด Sim-to-Real Gap หรือช่องว่างระหว่างแบบจำลองกับฮาร์ดแวร์กายภาพ เนื่องจาก AI สามารถฝึกการเคลื่อนไหวซ้ำจำนวนมหาศาลภายในโลกเสมือนจริงได้ แต่เมื่อย้ายระบบควบคุมไปใช้งานกับหุ่นยนต์จริง อาจพบข้อจำกัดที่แตกต่างจากสภาพแวดล้อมในคอมพิวเตอร์

ผลการทดลองไม่ได้จำกัดอยู่เพียงการพัฒนาหุ่นยนต์ Atlas รุ่นติดล้อเท่านั้น แต่ยังสามารถนำความรู้ที่ได้รับกลับไปปรับปรุงระบบควบคุมของ Atlas รุ่นเดินสองขาได้ โดยเฉพาะความสามารถในการรับมือกับพฤติกรรมของมอเตอร์ที่แตกต่างจากแบบจำลอง และการทำงานในสถานการณ์ที่ระบบขับเคลื่อนเข้าใกล้ขีดจำกัดของสมรรถนะ

สำหรับเป้าหมายถัดไป ทีมงานกำลังมุ่งเน้นศึกษา การตอบสนองของระบบต่อนโยบายเมื่อเกิดความเสียหายของตัวกระตุ้น (Actuator Failures) เพื่อค้นหาว่า Reinforcement Learning จะสามารถสร้างพฤติกรรมฉุกเฉินเฉพาะหน้าเพื่อเอาตัวรอดและทำงานต่อไปได้อย่างไรเมื่อชิ้นส่วนบางตัวหยุดทำงาน