For at en robotmekanisme skal lære å gå, er det ikke nok bare å "feste" flere bein til den. Å lære å bevege seg er en veldig kompleks prosess som tar utviklere mye tid. Men nå vil dette problemet løses ved kunstig intelligens, fordi en gruppe eksperter har laget universelle algoritmer som hjelper AI med å lære roboter i hvilken som helst konfigurasjon å bevege seg. I dette tilfellet er ikke menneskelig intervensjon i denne prosessen nødvendig.
Bak utviklingen står et team av forskere fra University of California i Berkeley og en gruppe eksperter fra Google Brain, en av Googles forskningsarmer om kunstig intelligens. Deres nye system trente den firbeinte roboten til å krysse både kjent terreng og ukjente.
Forsterkningslæring er egentlig en gulrot- og pinnemetode tilpasset AI. Han bruker belønning eller straff for å oppnå eller ikke oppnå mål.
For eksperimenter tok forskere Minitaur-roboten. De utviklet et system som besto av en arbeidsstasjon som oppdaterte nevrale nettverksdata, lastet informasjon inn i Minitaur og lastet den tilbake. NVIDIA Jetson TX2-brikken ombord i roboten var ansvarlig for informasjonsbehandling. Roboten gikk i 2 timer og tok 160 000 skritt. I løpet av denne tiden belønnet algoritmen roboten for å bevege seg fremover og straffet den hvis den satt seg fast på plass eller ga en veldig stor rullering til siden. Som et resultat ble det opprettet en bevegelsesalgoritme som gjorde det mulig for roboten å velge den optimale bevegelsesbanen i enhver situasjon.
Vladimir Kuznetsov
