Adam este un robot umanoid de avangardă dezvoltat în China, având la bază un algoritm sofisticat de învățare prin întărire (Reinforcement Learning, RL) care le permite să imite mișcările umane cu o precizie remarcabilă. Creat de echipa PNDbotics, Adam a fost proiectat să se adapteze la diverse medii și condiții de mers, datorită perfecționărilor continue realizate asupra structurilor sale, cum ar fi picioarele și tălpile, instalate cu actuatori modulari. Acest design modular face ca robotul să fie extrem de flexibil.
Eficiența lui Adam se datorează integrării celor mai recente algoritmi de Deep Reinforcement Learning (DRL) și învățare prin imitație. Aceasta oferă dezvoltatorilor un mediu accesibil, precum NVIDIA Isaac Gym, pentru elaborarea propriilor algoritmi. Spre deosebire de algoritmii tradiționali, precum Model Predictive Control (MPC), care funcționează bine în condiții controlate, Adam poate învăța și adapta comportamentele sale la condiții imprevizibile prin interacțiunea directă cu mediul său.
Costurile ridicate de implementare a RL pe roboți umanoizi au reprezentat o provocare în trecut, dar Adam le depășește printr-o structura inovatoare. Dotat cu 25 de actuatori, Adam are o înălțime de 1,6 metri și cântărește 60 de kilograme. Aceștia îi permit acțiuni coordonate, cu brațe dotate cu cinci grade de libertate și un trunchi cu trei. De asemenea, sistemul de control bazat pe Intel i7 este esențial pentru managementul mișcărilor, punând accent pe o mișcare „oarbă” pentru a maximiza eficiența.
Datele folosite pentru antrenament au fost calibrate cu precizie, completându-se cu mișcări realizate prin captură de mișcare de înaltă fidelitate. Aceasta a avut ca rezultat un model optimizat care îi permite lui Adam să se adapteze la sarcini complexe. Adaptabilitatea sa se traduce printr-o ajustare dinamică a pasului, ritmului și echilibrului în timp real, ceea ce îmbunătățește eficiența și siguranța sa, mai ales pe terenuri dificile.
Este esențial de menționat că algoritmul RL nu doar că supraveghează o mișcare mai fluidă și mai coordonată, ci reduce și uzura mecanică, ceea ce contribuie la creșterea duratei de viață și optimizarea consumului energetic, asigurând în același timp o autonomie extinsă. Aceasta reprezintă un pas semnificativ în cercetarea roboticii umanoide, deschizând noi perspective pentru învățarea automată și adaptarea în medii variate.
