Google'da yakın zamanda yapılan bir çalışmada mühendisler, ilerlemek gibi insanlardan çok fazla yardıma ihtiyaç duymadan son derece doğal bir şekilde hareket etmeyi öğrenebilen 4 ayaklı bir robot oluşturmak için bir yapay zeka (AI) modelini temel olarak kullanmaya çalıştılar. geriye, sağa sola dönerek. Ayrıca düz zemin, yumuşak minderler ve boşluklu paspaslar dahil olmak üzere üç farklı arazi türünde doğru şekilde hareket etmeyi de öğrenebilir.
Bu kulağa basit gelebilir ancak gerçekte yapay zekanın yardımı olmadan, özellikle farklı arazi türlerinde bu kadar çeşitli ve karmaşık navigasyon komutlarını idare edebilen robot kontrolörleri tasarlamak çok zordur. Temel sorun, robotların her adımda insan müdahalesine ihtiyaç duymak yerine kendi kendine öğrenebilmesi ve birçok duruma uyum sağlayabilmesidir.

Bu projede kullanılan yapay zeka teknolojisine "derin takviyeli öğrenme" adı veriliyor ve bu yaklaşım, öğrenme psikolojisinden ilham alan derin öğrenme teknolojisine ve "deneme yoluyla öğrenme" ve "yanılma yoluyla öğrenme"ye dayalı bir yaklaşım. Derin takviyeli öğrenmenin gücü ilk kez 2013 yılında DeepMind'ın klasik Atari oyunlarını herhangi bir talimat olmadan oynamayı öğrenebilen bir yapay zeka modelini piyasaya sürmesiyle ortaya çıktı.
Video oyunları veya en azından simülasyon oyunları da robot bilimi araştırmacıları tarafından yapay zeka modellerini eğitmek için sıklıkla kullanılıyor. Harika bir teorik ortam yaratarak araştırmacıların robotlarını gerçek dünyaya çıkmadan önce sanal bir dünyada eğitmelerine olanak tanıyor ve robotun belirli bir görevi nasıl gerçekleştireceğini öğrenirken yaşadığı durumları tanımasına ve hatırlamasına yardımcı oluyor.
Ayrıca Google araştırmacıları, robotlarının daha az denemeyle daha hızlı öğrenmesine olanak tanıyan gelişmiş algoritmaların geliştirilmesini de destekliyor.
Bir robotun kendi başına 2 saatte yürümeyi öğrenebilmesi şok edici bir sonuç olmayabilir ancak mühendislerin her işlemi özel olarak programlamak zorunda kalmasıyla karşılaştırıldığında verimlilik açısından açık bir fark gösterir.Robotların çalışma şekli manuel ve son derece pasiftir. önce. Ancak Google ekibinin karşılaştığı zorluklar da çok büyüktü.
"Her ne kadar pek çok denetimsiz öğrenme veya derin takviyeli öğrenme algoritması simülasyonda gösterilmiş olsa da, bunları gerçek dünya deneylerinde robotlara uygulamak kolay değil. Birincisi, derin takviyeli öğrenme, büyük miktarda girdi eğitimi verisi gerektirir ve robot verilerinin toplanması da çok pahalıdır. İkincisi, eğitim süreci robotu izlemeye çok fazla zaman harcamayı gerektiriyor. Robotu izleyecek ve her tetiklendiğinde (yüzlerce veya binlerce kez) manuel olarak sıfırlayacak bir insana ihtiyacımız olsaydı, robotu eğitmek çok fazla çaba ve zaman alırdı. Projenin kilit mühendislerinden biri olan Jie Tan, "Ne kadar uzun sürerse, robotların öğrenmesini birçok farklı ortamda ölçeklendirmek o kadar zor olacak" dedi.
Gelecekte bu araştırma, farklı arazi türlerine daha hızlı uyum sağlayabilen daha çevik robotların yaratılmasına yardımcı olabilir. Uygulama potansiyeli çok büyük, ancak proje henüz geliştirme aşamasında ve aşılması gereken birçok zorluk var.