{"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\/nl\/2024\/04\/deepmind-train-robot-soccer-players-that-kick-tackle-and-defend\/","title":{"rendered":"DeepMind traint robotvoetballers die schoppen, tackelen en verdedigen"},"content":{"rendered":"

Onderzoekers van Google's DeepMind hebben een mijlpaal bereikt in de robotica door met succes 20-inch lange humano\u00efde robots te trainen om \u00e9\u00e9n-op-\u00e9\u00e9n voetbalwedstrijden te spelen.\u00a0<\/b><\/p>\n

Hun <\/span>onderzoek<\/span><\/a>gepubliceerd in Science Robotics, beschrijft hoe ze deep reinforcement learning (RL) gebruikten om de robots complexe locomotie- en spelvaardigheden aan te leren.<\/span><\/p>\n

De commercieel verkrijgbare Robotis OP3 robots<\/a> leerde rennen, schoppen, blokken, opstaan na een val en doelpunten maken - allemaal zonder handmatige programmering. <\/span><\/p>\n

In plaats daarvan verwierven AI-agenten die de robots besturen deze vaardigheden met vallen en opstaan in gesimuleerde omgevingen, geleid door een beloningssysteem.<\/span><\/p>\n

Zo werkt het robotvoetbalsysteem:<\/span><\/p>\n

    \n
  1. Eerst trainden ze afzonderlijke neurale netwerken genaamd \"vaardigheidsbeleid\" voor basisbewegingen zoals lopen, schoppen en opstaan. Elke vaardigheid werd geleerd in een gerichte omgeving die de robot beloonde voor het beheersen van die specifieke vaardigheid.<\/span><\/li>\n
  2. Vervolgens werden met behulp van een techniek genaamd beleidsdistillatie de individuele vaardigheidsbeleidslijnen samengevoegd tot een enkel hoofdbeleidsnetwerk. Dit verenigde beleid kon de juiste vaardigheid activeren afhankelijk van de situatie.<\/span><\/li>\n
  3. De onderzoekers optimaliseerden vervolgens het masterbeleid door zelf te spelen, waarbij de robot gesimuleerde wedstrijden speelde tegen eerdere versies van zichzelf. Dit iteratieve proces leidde tot voortdurende verbeteringen in strategie en gameplay.<\/span><\/li>\n
  4. Om het beleid voor te bereiden op gebruik in de echte wereld, werd de gesimuleerde trainingsomgeving gerandomiseerd wat betreft factoren zoals wrijving en de verdeling van de robotmassa. Hierdoor werd het beleid robuuster voor fysieke variaties.<\/span><\/li>\n
  5. Tot slot werd het voltooide beleid, na uitsluitend in simulatie te hebben getraind, ge\u00fcpload naar echte OP3 robots, die vervolgens fysieke voetbalwedstrijden speelden zonder dat verdere fijnafstelling nodig was.<\/span><\/li>\n<\/ol>\n

    Om eerlijk te zijn moet je het zien om het te geloven, dus kijk goed Populaire Wetenschap<\/a>video's hieronder.<\/p>\n