Robotik
Vi tar det för självklart att kunna undvika väggar, stup och vassa kanter. För att få en robot att tolka miljön den arbetar i, krävs det att den ser precis som en människa. Att göra detta är mycket svårt, men inte omöjligt.
Radio Unga Forskare Stockholm - Vetenskap - Sveriges första podcast!
Du lyssnar på: Robotik
Notering: vi håller på att bygga upp funktionen. Så allt är ännu inte klart. Bättre navigation och transkription är på väg.
Vi lade ut våra första episoder 1997, innan det ens fanns något som hette podcast. Sedan dess har vi lagt ut över 400 föredrag och diskussioner. 2004 sände vi vår sista avsnitt över 88,9 MHz i Stockholm. Sedan dess har podden legat i träda. Men nu är den tillbaka som arkiv.
Transkription67 repliker · 6:08
Transkriptionen är automatiskt genererad och kan innehålla fel.
Klicka på en replik för att höra den.
Robotik? Eller hur får man egentligen en robot att uppföra sig?
De allra tidigaste robotarna, om man kunde kalla dem för det, var ju mekaniska och uppdragbara djur.
Man vred upp dem i en skruvfjäder och sen så tog till exempel den mekaniska ankan och vaggade framåt och kunde svälja brödbitar.
Ett väldigt generellt beteende som, ja, när den ställs inför kanske en slutet på bordet eller något sådant så faller den platt.
Ja, exakt, för det fanns ju egentligen ingen information från omvärlden där.
Det är ju inte mycket konstigare än vilken mekanism som helst.
När vi tänker på robotar menar vi ju en maskin som också kan handla i världen.
Och det innebär att den måste kunna reagera på sin omvärld och förmodligen göra det på ett ganska flexibelt sätt.
Så den första riktiga försökningen i robotik då måste ju ha strävat efter en bild av omvärlden, att roboten skulle kunna anamma den.
Ja, det kan man säga.
Mycket av den tidiga försöken handlar mest om att upptäcka hur svårt det var med datorskeende.
När man inledde studiet av artificiell intelligens tänkte man att problemet att ta en videokamera, titta på omvärlden och sedan deducera var bord, stolar och andra hinder stod, det var trivialt.
Ganska snabbt upptäckte man att det var oerhört svårt att utifrån en platt bild få en tredimensionell uppfattning av omvärlden.
Det kan ju vara väldigt svårt att namna just sådana saker som kan se så olika ut som till exempel bord, vägg, stol.
Den tidiga robotiken var ganska mycket baserad på tanken att man ska studera sin omvärld via olika sensorer, bygga en modell av vad som finns i den här världen.
Sen räknar man ut att jag befinner mig här och jag vill komma till en annan position.
Vilka handlingar måste jag genomföra för att förändra världen i enhet med det?
Om man är iakttagelse av världen så ska en fullständig iakttagelse av världen, vilket ju inte är nödvändigt för oss i vårt handlande, så skulle man alltså sedan uppnå sina mål.
Just det. Och problemet är naturligtvis det att ingen människa eller robot vet allting om sin omvärld.
Man ser inte detaljer, man märker inte att någon håller på att komma in i bilden från höger och så vidare.
Så den här tidiga robotiken fungerade inget vidare.
Det tog för lång tid att räkna ut hur omvärlden såg ut och när roboten väl flyttat sig en halv meter så måste den räkna ytterligare 40 minuter på omvärlden.
Och risken var ju att någon gick förbi och flyttade stolen.
Men vad var det som hände sedan egentligen?
Ja, en viktig insikt kom ifrån neuroforskaren Valentino Breitenberg som hittade på några enkla små fordon, nästan leksaker.
Han visade att man kunde få fram ganska kluriga beteenden även utan allt för mycket tänkande.
Hans första exempel var en litet fordon med två motorer där bak och två fotoceller kopplade till dem.
Så när det kom ljus på vänstersida så gick höger motor igång.
När det kom ljus från högersida gick vänster motor igång.
Det gjorde att den lilla roboten orienterade sig mot ljuset och rörde sig mot det.
Det blev en ljussökande robot utan någon minsta planering och tänkande.
Och med det kan man antingen få den att söka ljus eller gömma sig från ljus.
Ja, då kopplar man det på annat sätt.
Han visade genom att se ett tankeexperiment att sådana här enkla beteenden, inte mer än reflexer, kunde vara mycket användbara.
Ja, men du kan ju fortfarande bara få den att göra en sak då.
Nästa steg var ju då att kombinera flera stycken.
Någonting som robotforskaren Rodney Brooks kallar en subsumption arkitektur.
Roboten har ett antal beteenden inbyggda.
Till exempel en reflex att inte korridera med väggar.
En annan att söka upp en batteriladdare när batteriet är lågt och så vidare.
Och det beteende som behövs mest just nu vinner företräde.
Så då kan till exempel att inte krocka med en vägg vara den högsta prioriteten.
Medan i en lägre, i den totala hierarkin så ligger det kanske just att fylla på batteri väldigt högt om nu den är lågt.
Och sen hitta kolaburkar och slänga dem väldigt lågt.
Ja, exakt. Man har snarast en högnivåmål som avbryts när det kommer mer trängande behov.
Precis som i vårt eget tänkande.
Vi kan vilja utforska en ö vi besöker.
Men när vi blir hungriga och törstiga så börjar vi faktiskt först leta rätt på vatten och mat.
Men på senare tid så har ju vi sett en återgång till lite av de tidigare teorierna i och med att beräkningskapaciteten har ökat lavinartat.
Oh ja. Det är inte så mycket en återgång som man håller på parallellt med att de nu börjar förenas.
Vi har så pass mycket beräkningskraft att det börjar gå att faktiskt göra de här observationerna av omvärlden
och bygga bra världsmodeller.
Samtidigt kombinerar man då små enkla beteenden och reflexer med då en högre nivå som gör lite mer planering.
Utmaningen blir mer och mer att klistra ihop de olika systemen för de är väldigt olika.
Ja, öga motorkombinationen var en alldeles särskild problematik vad jag förstod.
Ja, just att se ett föremål i omvärlden och sen kunna gripa tag i det.
Det kräver att man kan dels urskilja förmån, dessutom avgöra var i det tredimensionella rummet är det och sedan också hur man ska röra sin arm för att nå fram till det.
Vilket också förutsätter att man vet vad man själv är.
Det visar sig vara ganska komplicerat och de bästa resultaten är att man medan man rör armen observerar dess läge och därigenom kalibrerar.
Det här har man börjat bli mycket inspirerad av.
Lillhjärnan till exempel.
Det finns flera japanska forskarteon som försöker härma just hur lillhjärnan gör den uppgiften hos oss människor.
Avslutningsvis har vi då evolutionsalgoritmer.
Man utnyttjar helt enkelt evolutionsliknande saker genom att odla fram datorprogram som ger vissa specifika beteenden som är svåra att programmera.
Till exempel att gå eller att flyga med vingar.
Sen är tanken då att man på något smart sätt ska kunna klistra ihop det här med de andra beteendena.
Det är en stor utmaning att få fram någonting som hänger ihop väl även om delarna fungerar bra.
För att ladda ner föredragen till din dator istället för att bara lyssna på dem, högerklickar du på länken “Ladda ner föredraget” och väljer “Spara som” eller motsvarande för din webbläsare.