For at en robotmekanisme skal lære at gå, er det ikke nok bare at "fastgøre" flere ben på den. At lære at bevæge sig er en meget kompleks proces, der tager udviklere meget tid. Men nu vil dette problem løses ved kunstig intelligens, fordi en gruppe eksperter har oprettet universelle algoritmer, der hjælper AI med at lære robotter om enhver konfiguration at bevæge sig. I dette tilfælde er menneskelig indgriben i denne proces ikke påkrævet.
Bag udviklingen står et team af forskere fra University of California i Berkeley og en gruppe eksperter fra Google Brain, en af Googles forskningsarme på kunstig intelligens. Deres nye system trænet den firbenede robot til at krydse både velkendt terræn og ukendte.
Forstærkningslæring er i det væsentlige en gulerod- og pindmetode tilpasset AI. Han bruger belønning eller straf for at nå eller ikke nå mål.
Til eksperimenter tog forskere Minitaur-roboten. De udviklede et system, der bestod af en arbejdsstation, der opdaterede neurale netværksdata, indlæste information i Minitaur og lossede dem tilbage. NVIDIA Jetson TX2-chip ombord på roboten var ansvarlig for informationsbehandling. Robotten gik i 2 timer og tog 160.000 trin. I løbet af denne tid belønnet algoritmen robotten for at bevæge sig fremad og straffede den, hvis den blev fast på plads eller gav en meget stor rulle til siden. Som et resultat blev der oprettet en bevægelsesalgoritme, der gjorde det muligt for roboten at vælge den optimale bane for bevægelse i enhver situation.
Vladimir Kuznetsov
