Robot ini hanya mengambil masa 2 jam untuk belajar berjalan sendiri

Dalam kajian terbaru yang dijalankan di Google, jurutera cuba menggunakan model kecerdasan buatan (AI) sebagai asas untuk mencipta robot berkaki 4 yang boleh belajar cara Bergerak secara semulajadi tanpa memerlukan terlalu banyak bantuan daripada manusia, seperti bergerak ke hadapan, ke belakang, menoleh ke kiri dan ke kanan. Selain itu, ia juga boleh belajar cara bergerak dengan tepat pada tiga jenis rupa bumi yang berbeza, termasuk tanah rata, kusyen lembut dan alas pintu dengan celah.

Ini mungkin kedengaran mudah tetapi pada hakikatnya, amat sukar untuk mereka bentuk pengawal robot yang boleh mengendalikan arahan navigasi yang pelbagai dan kompleks, terutamanya pada jenis rupa bumi yang berbeza. tanpa bantuan daripada AI. Isu utama ialah robot boleh belajar sendiri dan menyesuaikan diri dengan banyak situasi, dan bukannya sentiasa memerlukan campur tangan manusia pada setiap langkah.

Teknologi AI yang digunakan dalam projek ini dipanggil "pembelajaran pengukuhan mendalam", pendekatan berdasarkan teknologi pembelajaran mendalam yang diilhamkan oleh psikologi pembelajaran. en dan "belajar melalui percubaan" dan "belajar melalui kesilapan". Kuasa pembelajaran peneguhan mendalam mula ditunjukkan pada tahun 2013 apabila DeepMind mengeluarkan model AI yang boleh belajar cara bermain permainan Atari klasik tanpa sebarang arahan.

Permainan video, atau sekurang-kurangnya permainan simulasi, juga sering digunakan oleh penyelidik robotik untuk melatih model AI mereka. Ia mewujudkan persekitaran teori yang hebat, membolehkan penyelidik melatih robot mereka dalam dunia maya sebelum keluar ke dunia nyata, membantu robot mengenali dan mengingati situasi yang dialaminya apabila mempelajari cara melaksanakan tugas tertentu.

Selain itu, penyelidik Google juga mempromosikan pembangunan algoritma yang dipertingkatkan yang membolehkan robot mereka belajar lebih cepat dengan percubaan yang lebih sedikit.

Hakikat bahawa robot boleh belajar berjalan sendiri dalam masa 2 jam mungkin bukan hasil yang mengejutkan, tetapi ia menunjukkan perbezaan yang jelas dalam kecekapan berbanding jurutera yang perlu memprogram secara khusus setiap operasi. Cara robot beroperasi adalah manual dan sangat pasif seperti sebelum ini. Walau bagaimanapun, kesukaran yang dihadapi oleh pasukan Google juga besar.

“Walaupun banyak pembelajaran tanpa pengawasan atau algoritma pembelajaran pengukuhan mendalam telah ditunjukkan dalam simulasi, menerapkannya pada robot dalam eksperimen dunia nyata bukanlah mudah. Pertama, pembelajaran pengukuhan mendalam memerlukan sejumlah besar data latihan input, dan mengumpul data robot juga sangat mahal. Kedua, proses latihan memerlukan banyak masa untuk memantau robot. Jika kita memerlukan manusia untuk memantau robot dan menetapkan semula secara manual setiap kali ia tersandung - beratus atau beribu kali - ia akan mengambil banyak usaha dan masa untuk melatih robot itu. Semakin lama masa yang diambil, semakin sukar untuk membuat skala pembelajaran untuk robot dalam pelbagai persekitaran yang berbeza," kata Jie Tan, salah seorang jurutera utama dalam projek itu.

Pada masa hadapan, penyelidikan ini boleh membantu mencipta robot yang lebih tangkas yang boleh menyesuaikan diri dengan lebih cepat kepada pelbagai jenis rupa bumi. Potensi aplikasi adalah besar, namun projek ini hanya di peringkat awal pembangunan dan masih terdapat banyak cabaran untuk diatasi.