شما در برهه‌ای از کودکی‌تان یاد گرفتید که چطور بعد از زمین خوردن، بلند شوید و روی پاهای خود راه بروید. سگ های رباتیک حالا از این روش برای یادگیری استفاده می‌کنند. احتمالا برای یادگیری این موضوع، والدینتان شما را تشویق کردند؛ اما در بیشتر موارد آزمون و خطا باعث شد که شما آموخته‌هایی داشته باشید.
اما ربات‌هایی مانند Spot و Atlas که از ربات‌های بوستون داینامیکس هستند، راه رفتن و رقصیدن را با این روش‌ها یاد نگرفتند؛ بلکه به طور دقیق کدگذاری شدند تا وظایفی را که به عهدهشان می‌گذاریم، انجام دهند. جالب است بدانید نتایج عملکرد آن‌ها در بسیاری از موارد چشم‌گیر است و تجارب جدید باعث میشود بتوانند کارهایی را هم یاد بگیرند که برای انجام آن برنامهنویسی نشده‌اند. اما تیم مشترکی از محققان دانشگاه ژجیانگ و ادینبرگ مدعی شدند که آن‌ها حتی روش بهتری برای توسعه مدل خاصی از ربات دارند.
در یکی از مقاله‌های هوش مصنوعی که اخیرا در مجله Science Robotics منتشر شده، آن‌ها جزئیاتی از یک رویکرد یادگیری تقویتی را بیان کردند که در آن به جویینگ، یکی از سگ های رباتیک خودشان، آموزش دادند که چطور راه برود و هر بار بعد از زمین خوردن بلند شود.
تیم توسعه‌دهنده این ربات در گفتگویی با Wired اعلام کرده که آن‌ها ابتدا نرم‌افزاری را آموزش داده‌اند که می‌تواند نسخه مجازی این ربات را راهنمایی کند. این نرم‌افزار شامل هشت بخش تخصصی هوش مصنوعی بود که هر یک برای تسلط بر مهارت خاصی آموزش دیده‌اند. به عنوان مثال، یکی در راه رفتن مسلط شد، در حالی که دیگری یاد گرفت چگونه تعادل برقرار کند. هر بار که ربات دیجیتال کاری را با موفقیت انجام می‌داد، تیم محققان با یک امتیاز مجازی به آن پاداش می‌داد. این همان روشی است که اخیرا گوگل از آن برای آموزش الگوریتم MuZero استفاده کرده است.
هنگامی که آن‌ها برای ساخت سگ های رباتیک هشت بخش تخصصی را با موفقیت آموزش دادند، یک شبکه اضافی ایجاد کردند تا به عنوان نوعی سرمربی عمل کند. شبکه‌ای که می‌تواند ورودی‌های هشت الگوریتم دیگر را مدیریت کند و بر اساس شرایط خاص هریک از آن‌ها را به نسبت دیگری در اولویت قرار دهد. آن‌ها سپس نرم‌افزار خود را به یکی از نمونه‌های اولیه خود منتقل کرده و آن را آزمایش کردند. نتیجه این بود که هربار ربات را با لگد زدن یا هل دادن به زمین می‌انداختند، دوباره بلند میشد و می‌توانست شروع به راه رفتن کند.
ژیبین
لی، یکی از نویسندگان این گزارش، به Wired گفت که هدف تحقیق تیم آن‌ها
«ایجاد نوعی ماشین هوشمند است که بتواند برای پرواز مهارت‌های انعطاف‌پذیری
و انطباقی را ترکیب کند و از طریق آن انواع وظایفی که قبلا نداشته را
مدیریت کند».
با این حال ممکن است به این زودی شاهد انتخاب جویینگ و
اسپاتینگ به عنوان بهترین سگ های رباتیک نباشیم. یکی از چالش‌هایی که تیم
سازنده انواع ربات‌ها پیش رو دارد، کاهش میزان محاسبات لازم برای شبیه‌سازی
آموزش ربات است. با انجام این کار است که آن‌ها می‌توانند در کاربردهای
عملی مفیدتر باشند.
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
منبع: hooshio.com
