AI

„Google“ tyrėjai naudoja dirbtinį intelektą, kad išmokytų robotus judėti kaip tikri šunys

„Google“ tyrėjai naudoja dirbtinį intelektą, kad išmokytų robotus judėti kaip tikri šunys



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

„Google“ tyrėjai dirbtinį intelektą (AI) mokė robotus, kaip judėti su tikrų gyvūnų (šiuo atveju - šunų) judrumu. Jie aprašo savo eksperimentą šią savaitę išleistame tinklaraštyje.

SUSIJEDS: TIKRUMAS, KAD ROBOTAS RODA AGILIUS JUDĖJIMUS SLICK NAUJU PROMO VIDEO

Vikrus elgesys

"Pirmiausia aprašome, kaip robotai gali išmokti judraus elgesio, imituodami realių gyvūnų judesius, greitai ir sklandžiai judėdami, pavyzdžiui, rikšdami ir šokinėdami. Tada aptarsime sistemą, skirtą automatizuoti judėjimo įgūdžių mokymą realiame pasaulyje, kuri leidžia robotams išmokti vaikščioti savarankiškai, su minimalia žmogaus pagalba “, - dalijasi tinklaraštyje Xue Bin (Jason) Peng, studentų tyrinėtojas ir Sehoon Ha,„ Google “robotikos mokslininkas.

Jie pasiekė šį įspūdingą žygdarbį naudodami tai, kas vadinama mokymu apie sustiprinimą (RL). Jie pradėjo paimdami referencinį judesio klipą, įrašytą iš gyvūno, ir naudodami RL, kad robotas imituotų tuos judesius.

"Suteikdami sistemai skirtingus atskaitos judesius, mes galime išmokyti keturkojį robotą atlikti įvairų judrų elgesį, pradedant greitais ėjimo žygiais ir baigiant dinamišku apyniu ir posūkiu. Politika yra treniruojama pirmiausia imituojant, o tada perkeliama į realiame pasaulyje naudojant latentinės erdvės pritaikymo techniką, kuri gali efektyviai pritaikyti politiką, panaudodama tik kelių minučių duomenis iš realaus roboto “, - savo tinklaraštyje rašė tyrėjai.

Atsitiktinumas

Tačiau yra gerai žinomas faktas, kad simuliatoriai prastai priartina tikrąjį pasaulį, o tai reiškia, kad modeliavimas realiai nėra veiksmingas. Čia mokslininkai nusprendė naudoti pavyzdinę latentinės erdvės pritaikymo techniką.

Jie tai padarė įvesdami atsitiktinumo elementą į fizinius parametrus, naudojamus modeliavime, keisdami fizinius dydžius, tokius kaip roboto masė ir trintis. Tai lėmė mašininio mokymosi modelį, pagal kurį būtų galima atsižvelgti į įvairius mažus skirtumus ir jų sukeliamas komplikacijas.

Galutinis rezultatas - robotas, judantis tokiu pat judrumu kaip ir tikras šuo. Toks darbas yra nepaprastai svarbus, nes gali atverti galimybes diegti robotus sudėtingoms užduotims atlikti realiame pasaulyje.


Žiūrėti video įrašą: Pietro Michelucci - Ką žada ateities žmonių kompiuterija? (Rugpjūtis 2022).