Forschende der ETH Zürich haben ein Robotersystem entwickelt, das mit Hilfe von Reinforcement Learning ein reales Labyrinthspiel lösen kann.
Wie ausführlich in ihre Studie Unter dem Titel "Sample-Efficient Learning to Solve a Real-World Labyrinth Game Using Data-Augmented Model-Based Reinforcement Learning" meisterte dieser KI-gestützte Roboter das BRIO-Labyrinthspiel in nur fünf Stunden Trainingsdaten und übertraf damit alle bisher bekannten Versuche.
Das BRIO Labyrinth-Spiel, das einigen bekannt vorkommen dürfte, ist ein Test für Feinmotorik und räumliches Denken, bei dem die Spieler eine Stahlkugel durch ein Labyrinth steuern müssen, indem sie das Spielfeld kippen.
Trotz seiner scheinbaren Einfachheit ist das Spiel aufgrund der Beziehung zwischen dem Ball und den Wänden, den Oberflächenunregelmäßigkeiten und der nichtlinearen Dynamik der Steuerknöpfe sehr komplex. Diese Herausforderungen machen das Labyrinth ideal für die Anwendung und Bewertung modernster Lernmethoden für Roboter.
Das Team der ETH Zürich unter der Leitung von Thomas Bi und Professor Raffaello D'Andrea hat eine Methode entwickelt, die mit Hilfe von Kamerabildern effiziente Beobachtungen aus dem Labyrinth extrahiert.
Der Lernprozess der KI basiert auf modellbasiertem Verstärkungslernen, wobei eine Belohnungsfunktion verwendet wird, die durch den Fortschritt im Labyrinth definiert ist.
Nach dem Training navigierte der KI-Roboter erfolgreich durch das Labyrinth mit einer Erfolgsquote von 76% und einer durchschnittlichen Zeit von 15,73 Sekunden. Dies ist etwas besser als der beste menschliche Rekord von 15,95 Sekunden.
Wie die Studie funktionierte
Das System verwendet eine Kamera, um Bilder von oben nach unten aufzunehmen und wichtige Daten wie die Position des Balls und den Aufbau des Labyrinths zu extrahieren. Maschinelles Lernen Techniken spiegeln Beobachtungen wider, um die Trainingsdaten zu erweitern, vielfältigere Daten zu erzeugen und die Verallgemeinerung zu verbessern.
Diese Forschung stellt einen wesentlichen Fortschritt bei der Anwendung von KI in dynamischen, realen Umgebungen dar. Das ETH-Team plant, sein Projekt als Open-Source-Projekt zu veröffentlichen. Es ist überzeugt, dass sein System aufgrund des geringen Platzbedarfs, der bescheidenen Kosten und des einfachen Hardwareaufbaus als wertvoller Benchmark für die weitere KI-Forschung in der realen Welt dienen kann.
Weitere Ergebnisse werden veröffentlicht auf dieser Website, und Sie können sich unten ein Video über die Funktionsweise des intriganten Robotersystems ansehen.
Einer der Co-Autoren der Studie, Professor Raffaello D'Andrea, Wir glauben, dass dies die ideale Testumgebung für die Forschung im Bereich des maschinellen Lernens und der KI in der realen Welt ist. Vor CyberRunner konnten nur Organisationen mit großen Budgets und maßgeschneiderter experimenteller Infrastruktur Forschung in diesem Bereich betreiben.
"Jetzt kann jeder für weniger als 200 Dollar an modernster KI-Forschung teilnehmen. Und wenn erst einmal Tausende CyberRunner in der realen Welt unterwegs sind, wird es möglich sein, groß angelegte Experimente durchzuführen, bei denen das Lernen parallel und in globalem Maßstab erfolgt. Das Nonplusultra der Bürgerwissenschaft!"
Die Anwendung fortgeschrittener KI-Systeme auf praktisch nützliche Robotersysteme ist von großem Interesse. Forscher haben kürzlich mithilfe von KI einen Roboter gebaut, der in der Lage ist autonome Herstellung von Sauerstoff Katalysator aus Gesteinsproben, und DeepMind arbeitete an einem autonomes Forschungslabor die in der Lage sind, Verbindungen zu entdecken und zu synthetisieren.
Der KI-Roboter der ETH Zürich demonstriert das Potenzial fortschrittlicher KI-Techniken bei der Lösung realer Herausforderungen und überbrückt die Kluft zwischen den theoretischen Fähigkeiten der KI und ihrer praktischen Anwendung in physischen Umgebungen.
In Zukunft werden diese Technologien zusammengeführt, um effiziente, intelligente Robotersysteme zu ermöglichen, die komplexe Aufgaben im realen Leben selbstständig erledigen.
