Damit ein Robotermechanismus das Laufen lernen kann, reicht es nicht aus, nur mehrere Beine daran zu "befestigen". Das Erlernen des Bewegens ist ein sehr komplexer Prozess, der Entwicklern viel Zeit kostet. Jetzt wird dieses Problem durch künstliche Intelligenz gelöst, da eine Gruppe von Experten universelle Algorithmen entwickelt hat, mit denen KI Robotern jeder Konfiguration das Bewegen beibringen kann. In diesem Fall ist kein menschliches Eingreifen in diesen Prozess erforderlich.
Hinter der Entwicklung stehen ein Team von Wissenschaftlern der University of California in Berkeley und eine Expertengruppe von Google Brain, einem der Forschungszweige von Google für künstliche Intelligenz. Ihr neues System trainierte den vierbeinigen Roboter, sowohl vertrautes als auch unbekanntes Gelände zu durchqueren.
Reinforcement Learning ist im Wesentlichen eine für KI angepasste Zuckerbrot- und Peitschenmethode. Er verwendet Belohnung oder Bestrafung, um Ziele zu erreichen oder nicht zu erreichen.
Für Experimente nahmen Wissenschaftler den Minitaur-Roboter. Sie entwickelten ein System, das aus einer Workstation bestand, die neuronale Netzwerkdaten aktualisierte, Informationen in Minitaur lud und zurücklud. Der NVIDIA Jetson TX2-Chip an Bord des Roboters war für die Informationsverarbeitung verantwortlich. Der Roboter lief 2 Stunden und machte 160.000 Schritte. Während dieser Zeit belohnte der Algorithmus den Roboter für seine Vorwärtsbewegung und bestrafte ihn, wenn er feststeckte oder einen sehr großen Wurf zur Seite gab. Als Ergebnis wurde ein Bewegungsalgorithmus erstellt, mit dem der Roboter in jeder Situation die optimale Bewegungsbahn auswählen kann.
Vladimir Kuznetsov
