Дослідження в галузі робототехніки
Дослідники з Нью-Йоркського університету Тандон та Інституту робототехніки й штучного інтелекту з'ясували, що для навчання роботів виконанню складних завдань важливішою є послідовність навчальних прикладів, а не їх різноманітність. Вони розробили нові підходи до планування рухів, які здатні генерувати послідовні приклади. Результати експериментів показали, що роботи, навчені на таких даних, демонструють значно кращі результати у виконанні завдань.
Дослідники використали алгоритми планування рухів для автоматичного створення навчальних прикладів у фізичних симуляціях. Популярні алгоритми швидкого дослідження випадкових дерев (RRT) часто генерували рішення, які надто сильно відрізнялися одне від одного. Це ускладнювало процес навчання, оскільки "такі алгоритми добре знаходять способи розв'язання задачі, але коли кожне рішення виглядає по-іншому, системі навчання важко визначити, яку модель поведінки слід наслідувати", — зазначив один із дослідників, Хуайцзян Чжу.
Нові методи планування рухів
Вчені розробили два нові методи планування рухів. Перший метод орієнтувався на стабільне просування до мети, а другий використовував набір заздалегідь визначених рухів для зменшення відмінностей між прикладами. Ефективність цих підходів була перевірена на двох складних завданнях:
- У першому завданні два роботизовані маніпулятори повинні були повернути великий циліндр на 180 градусів.
- У другому завданні роботизована рука перекочувала куб у долоні до заданого положення.
Результати експериментів були вражаючими: система з двома маніпуляторами досягла майже ідеальної точності після навчання на 100 демонстраціях. Дослідники змогли перенести отримані навички із симуляції на реальне обладнання без додаткового перенавчання, що є значним досягненням. Робот із двома маніпуляторами виконав 90% спроб на реальному обладнанні, в той час як роботизована рука впоралася приблизно з 62% завдань на реальному обладнанні. Ці результати підкреслюють важливість підходів, що базуються на послідовності навчальних прикладів у навчанні роботів.
Ці дослідження можуть суттєво вплинути на подальший розвиток робототехніки, оскільки надають нові інструменти для ефективного навчання роботів. Використання послідовних прикладів може зменшити витрати часу та ресурсів на навчання, що є критично важливим для впровадження роботів у промисловості та інших сферах. Подібні нововведення можуть також розширити можливості роботів у виконанні складних завдань, що в свою чергу може позитивно позначитися на їхній інтеграції в повсякденне життя та виробництво.
Цікаво, що нові технології в навчанні роботів не обмежуються лише складними маніпуляціями. Наприклад, роботизована рука з чотирма пальцями змогла освоїти гру на піаніно всього за дві хвилини. Це свідчить про те, що розробки в галузі штучного інтелекту та робототехніки відкривають нові горизонти для автоматизації різноманітних завдань.