För att en robotmekanism ska lära sig gå, räcker det inte bara att "fästa" flera ben på den. Att lära sig flytta är en mycket komplex process som tar utvecklare mycket tid. Men nu kommer detta problem att lösas med konstgjord intelligens, eftersom en grupp experter har skapat universella algoritmer som hjälper AI att lära robotar i vilken konfiguration som helst. I detta fall krävs inte mänsklig ingripande i denna process.
Bakom utvecklingen står ett team av forskare från University of California i Berkeley och en grupp experter från Google Brain, en av Googles forskningsarmer om artificiell intelligens. Deras nya system tränade den fyrbenta roboten för att korsa både välkänd terräng och okända.
Förstärkningslärande är i huvudsak en morot- och pinne-metod anpassad för AI. Han använder belöning eller straff för att uppnå eller inte uppnå mål.
För experiment tog forskare Minitaur-roboten. De utvecklade ett system som bestod av en arbetsstation som uppdaterade neurala nätverksdata, laddade information till Minitaur och laddade tillbaka den. NVIDIA Jetson TX2-chip ombord på roboten var ansvarig för informationshantering. Roboten gick i två timmar och tog 160 000 steg. Under denna tid belönade algoritmen roboten för att gå framåt och straffade den om den fastnade på plats eller gav en mycket stor rulle åt sidan. Som ett resultat skapades en rörelsesalgoritm som gjorde det möjligt för roboten att välja den bästa rörelsebanan i alla situationer.
Vladimir Kuznetsov
