Robot Tenis Meja DeepMind yang Mengalahkan Pemain Pemula 100% Waktu
DeepMind build table tennis robot that beats newbie players 100% of the time https://dailyai.com/2024/08/deepmind-build-table-tennis-robot-that-beats-newbie-players-100-of-the-time/

Robot Tenis Meja Canggih dari Google DeepMind

Peneliti di Google DeepMind telah mengembangkan robot bertenaga AI yang mampu bermain tenis meja secara kompetitif pada tingkat amatir manusia. Menciptakan sistem robotik yang didorong oleh AI untuk menguasai tugas fisik kompleks yang memerlukan pengambilan keputusan cepat dan kontrol motorik yang tepat adalah tantangan besar.

Robot ini dilengkapi dengan lengan robot IRB 1100 yang dipasang pada dua gantri linier, memungkinkan gerakan cepat di sekitar meja. Dengan setup ini, robot dapat menjangkau hampir semua area meja. Di ujung lengan terdapat paddle yang dirancang khusus. Kamera berkecepatan tinggi menangkap gambar pada 125 frame per detik, yang kemudian diproses oleh sistem persepsi berbasis jaringan saraf untuk melacak posisi bola secara real-time.

Sistem AI yang mengendalikan robot ini menggunakan pendekatan dua tingkat:

1. Pengendali Tingkat Rendah (LLC): Jaringan saraf khusus yang dilatih untuk melakukan keterampilan tenis meja tertentu, seperti pukulan topspin forehand atau penargetan backhand. Setiap LLC dirancang untuk unggul dalam aspek tertentu dari permainan.

2. Pengendali Tingkat Tinggi (HLC): Otak strategis dari sistem ini. HLC memilih LLC mana yang akan digunakan untuk setiap bola yang datang, berdasarkan keadaan permainan saat ini, gaya bermain lawan, dan kemampuan robot itu sendiri.

Pendekatan ganda ini memungkinkan robot untuk menggabungkan eksekusi yang tepat dari setiap pukulan dengan strategi tingkat tinggi, meniru cara berpikir pemain manusia tentang permainan.

Menghubungkan Simulasi dengan Dunia Nyata

Salah satu tantangan terbesar dalam robotika adalah mentransfer keterampilan yang dipelajari dalam lingkungan simulasi ke dunia nyata. Penelitian DeepMind mencatat beberapa teknik yang digunakan untuk mengatasi hal ini:

• Pemodelan fisika realistis: Menggunakan mesin fisika canggih untuk memodelkan dinamika kompleks tenis meja.
• Randomisasi domain: Selama pelatihan, AI terpapar pada berbagai kondisi simulasi untuk membantu generalisasi.
• Adaptasi sim-to-real: Metode untuk menyempurnakan keterampilan simulasi agar dapat berfungsi di dunia nyata.
• Pengumpulan data iteratif: Memperbarui data pelatihan dengan permainan dunia nyata.

Robot ini juga dapat beradaptasi secara real-time. Selama pertandingan, sistem melacak statistik tentang kinerjanya dan lawan, menyesuaikan strateginya untuk mengeksploitasi kelemahan lawan.

Evaluasi Robot Tenis Meja

DeepMind menguji robot ini dengan melibatkan 59 pemain sukarela yang dibagi berdasarkan tingkat keterampilan. Dari 29 peserta yang terpilih, mereka bermain tiga pertandingan melawan robot dengan aturan yang dimodifikasi. Robot ini memenangkan 45% pertandingan, mendominasi pemain pemula (100% menang) dan menahan lawan menengah (55% menang), tetapi kalah dari pemain tingkat lanjut.

Barney J. Reed, pelatih tenis meja, mengungkapkan kekagumannya terhadap performa robot. Meskipun robot ini memiliki kesulitan dalam menangani underspin, pencapaian ini menunjukkan kemajuan signifikan dalam bidang robotika dan AI. Dengan kemajuan ini, kita mungkin akan segera melihat robot yang dapat menantang kita dalam permainan tenis meja di pusat komunitas lokal.