{"id":11532,"date":"2024-04-13T16:05:39","date_gmt":"2024-04-13T16:05:39","guid":{"rendered":"https:\/\/dailyai.com\/?p=11532"},"modified":"2024-04-15T11:50:53","modified_gmt":"2024-04-15T11:50:53","slug":"deepmind-train-robot-soccer-players-that-kick-tackle-and-defend","status":"publish","type":"post","link":"https:\/\/dailyai.com\/it\/2024\/04\/deepmind-train-robot-soccer-players-that-kick-tackle-and-defend\/","title":{"rendered":"DeepMind addestra giocatori di calcio robot che calciano, affrontano e difendono"},"content":{"rendered":"

I ricercatori di DeepMind di Google hanno raggiunto una pietra miliare nella robotica, addestrando con successo robot umanoidi alti 20 pollici a giocare partite di calcio uno contro uno.\u00a0<\/b><\/p>\n

Il loro <\/span>studio<\/span><\/a>pubblicato su Science Robotics, illustra il modo in cui \u00e8 stato utilizzato l'apprendimento per rinforzo profondo (RL) per insegnare ai robot complesse abilit\u00e0 di locomozione e di gioco.<\/span><\/p>\n

I prodotti disponibili in commercio Robotis OP3<\/a> ha imparato a correre, calciare, bloccare, rialzarsi dalle cadute e segnare gol, il tutto senza alcuna programmazione manuale. <\/span><\/p>\n

Invece, gli agenti AI che controllano i robot hanno acquisito queste abilit\u00e0 attraverso prove ed errori in ambienti simulati, guidati da un sistema di ricompense.<\/span><\/p>\n

Ecco come funziona il sistema di calcio robotico:<\/span><\/p>\n

    \n
  1. In primo luogo, hanno addestrato reti neurali separate, chiamate \"politiche di abilit\u00e0\", per movimenti fondamentali come camminare, calciare e alzarsi. Ogni abilit\u00e0 \u00e8 stata appresa in un ambiente mirato che premiava il robot per la padronanza di quella specifica abilit\u00e0.<\/span><\/li>\n
  2. Successivamente, utilizzando una tecnica chiamata distillazione delle politiche, le singole politiche delle abilit\u00e0 sono state unite in un'unica rete di politiche master. Questa politica unificata pu\u00f2 attivare l'abilit\u00e0 appropriata a seconda della situazione.<\/span><\/li>\n
  3. I ricercatori hanno poi ottimizzato ulteriormente la politica principale attraverso l'autogioco, in cui il robot ha giocato partite simulate contro versioni precedenti di se stesso. Questo processo iterativo ha portato a continui miglioramenti nella strategia e nella giocabilit\u00e0.<\/span><\/li>\n
  4. Per preparare la politica all'impiego nel mondo reale, l'ambiente di addestramento simulato \u00e8 stato randomizzato in termini di fattori come l'attrito e la distribuzione della massa del robot. In questo modo la politica \u00e8 diventata pi\u00f9 robusta alle variazioni fisiche.<\/span><\/li>\n
  5. Infine, dopo essersi allenati esclusivamente in simulazione, la politica finita \u00e8 stata caricata sui robot OP3 reali, che hanno poi giocato partite di calcio fisiche senza bisogno di ulteriori messe a punto.<\/span><\/li>\n<\/ol>\n

    Per essere onesti, bisogna vederlo per crederci, quindi guardate Scienza popolare<\/a>video di seguito.<\/p>\n