Montag, September 26, 2022
StartTECHNOLOGIEDer Roboterhund lernt in nur 20 Minuten, auf schwierigem Gelände zu laufen

Der Roboterhund lernt in nur 20 Minuten, auf schwierigem Gelände zu laufen

- Anzeige -

Grasbewachsene Rasenflächen und Wege sind kein Problem für diesen Roboter, der dank eines maschinellen Lernalgorithmus im Fluge gelernt hat, darauf zu gehen

Die meisten autonomen Roboter müssen von Menschen sorgfältig programmiert oder in simulierten Szenarien ausgiebig getestet werden, bevor sie reale Aufgaben ausführen können, wie z.

Jetzt haben Sergey Levine von der University of California, Berkeley, und seine Kollegen gezeigt, dass ein Roboter, der eine Art maschinelles Lernen namens Deep Reinforcement Learning verwendet, in etwa 20 Minuten in verschiedenen Umgebungen, wie z. eine Rindenschicht, eine Memory Foam-Matratze und ein Wanderweg.

Der Roboter verwendet einen Algorithmus namens Q-Learning, der kein funktionierendes Modell des Zielgeländes erfordert. Solche maschinellen Lernalgorithmen werden normalerweise in Simulationen verwendet. „Wir müssen nicht verstehen, wie die Physik einer Umgebung tatsächlich funktioniert, wir stellen den Roboter einfach in eine Umgebung und schalten ihn ein“, sagt Levine.

Stattdessen erhält der Roboter für jede ausgeführte Aktion eine bestimmte Belohnung, abhängig vom erzielten Erfolg gemäß den vordefinierten Zielen. Er wiederholt diesen Vorgang immer wieder, während er seine früheren Erfolge vergleicht, bis er laufen lernt.

„In gewisser Weise ist es dem Lernen sehr ähnlich“, sagt Teammitglied Ilya Kostrikov, ebenfalls von der University of California, Berkeley. „Man interagiert mit einer Umgebung, erhält einen Nutzen und denkt im Grunde über seine bisherigen Erfahrungen nach und versucht herauszufinden, was hätte verbessert werden können.“

Obwohl der Roboter lernen kann, auf jeder neuen Oberfläche zu laufen, auf die er trifft, müsste das Team laut Levine das Belohnungssystem des Modells feinabstimmen, wenn der Roboter mehr Fähigkeiten erlernen soll.

Es ist schwierig, Deep Reinforcement Learning in der realen Welt zum Laufen zu bringen, sagt Chris Watkins von Royal Holloway, University of London, aufgrund der Menge an verschiedenen Variablen und Daten, die gleichzeitig interagieren müssen.

„Ich finde es wirklich beeindruckend“, sagt Watkins. „Ehrlich gesagt bin ich ein wenig überrascht, dass man mit etwas so Einfachem wie Q-Learning Fähigkeiten wie das Gehen auf verschiedenen Oberflächen mit so wenig Erfahrung und so schnell in Echtzeit lernen kann.“

Bezug: arxiv.org/abs/2208.07860

Abgel T
Abgel T
Ich arbeite seit ca. 3 Jahren als Redakteurin in Bereichen wie Politik und Sport. Sie können an theaktuellenews@hotmail.com schreiben, um mich zu erreichen.
ZUGEHÖRIGE ARTIKEL

Kommentieren Sie den Artikel

Bitte geben Sie Ihren Kommentar ein!
Bitte geben Sie hier Ihren Namen ein

Anzeige

Am beliebtesten

Letzte Kommentare