Машина освоїла пересування по піщаному, кам’янистому та вологому трав’яному покритті
Гуманоїдний двоногий робот успішно подолав піщану місцевість, кам’янистий ґрунт, зволожену рослинність, нахилені поверхні, сходи та слизькі ділянки, при цьому жодна з цих умов не була частиною його тренувального процесу.
Ключ до цього успіху криється в інноваційній методиці тренування, розробленій науковцями з Технологічного інституту Джорджії, як повідомляє Interesting Engineering.
Цей метод, названий «Learn to Teach» («Навчайся навчати»), оптимізує популярний принцип навчання з підкріпленням «вчитель-учень». Замість того, щоб спочатку тренувати одну модель, а потім передавати знання іншій, обидва «учасники» навчаються паралельно. Це призводить до створення керуючого програмного забезпечення для робота, яке здатне справлятися з непередбачуваними ландшафтами, вимагаючи при цьому значно менше обчислювальних ресурсів.
Під час експериментів робот не тільки пересувався самостійно, але й зазнавав впливу з боку дослідників, які його штовхали та тягнули. У кожному випадку він коригував свою ходу, щоб підтримувати стабільність. Цей проєкт був представлений на конференції IEEE International Conference on Robotics and Automation (ICRA), і розробники стверджують, що їхній підхід може бути застосований до інших типів роботів та завдань, не обмежуючись лише пересуванням.
У стандартній моделі «вчитель-учень» спочатку створюється модель-«наставник», яка має доступ до детальних даних із симуляції. Тільки після повного навчання наставника його набуті знання передаються моделі-«учневі», яка безпосередньо керує фізичним роботом.
За словами провідного дослідника Фейянга Ву, цей послідовний процес навчання пов’язаний з двома суттєвими недоліками. По-перше, він надзвичайно тривалий. По-друге, значна частина інформації, зібраної «наставником», залишається невикористаною.
Навчання керуючих систем роботів за допомогою симуляцій може вимагати багато годин обчислювальної потужності на дорогому обладнанні для обробки графіки, що призводить до значних витрат часу та фінансів. Одночасне навчання обох моделей ефективно вирішує обидві ці проблеми.
За матеріалами: НВ
Місце для вашої реклами