Onderzoekers van de ETH Z\u00fcrich ontwikkelden een robotsysteem dat een echt doolhofspel kan oplossen met behulp van versterkingsleren.\u00a0<\/b><\/p>\n
Zoals beschreven in <\/span>hun studie<\/span><\/a> \"Sample-Efficient Learning to Solve a Real-World Labyrinth Game Using Data-Augmented Model-Based Reinforcement Learning\" (Effici\u00ebnt leren om een doolhofspel in de echte wereld op te lossen met behulp van gegevensgestuurd modelgebaseerd versterkingsleren). Deze AI-robot beheerste het doolhofspel BRIO in slechts vijf uur trainingsgegevens en overtrof daarmee alle bekende eerdere pogingen.<\/span><\/p>\n Het BRIO-labyrintspel, dat sommigen misschien wel kennen, is een test voor de fijne motoriek en het ruimtelijk redeneren waarbij spelers een stalen bal door een doolhof moeten navigeren door het speelveld te kantelen.\u00a0<\/span><\/p>\n Ondanks de ogenschijnlijke eenvoud is het spel complex door de relatie tussen de bal en de muren, onregelmatigheden op het oppervlak en niet-lineaire dynamica van de besturingsknop. Deze uitdagingen maken het labyrint ideaal voor het toepassen en evalueren van geavanceerde leermethoden voor robots.<\/span><\/p>\n Het team van ETH Z\u00fcrich, onder leiding van Thomas Bi en professor Raffaello D'Andrea, ontwikkelde een methode die effici\u00ebnte observaties uit het doolhof haalt met behulp van camerabeelden.\u00a0<\/span><\/p>\n Het leerproces van de AI is gebaseerd op modelgebaseerd versterkingsleren, waarbij gebruik wordt gemaakt van een beloningsfunctie die wordt bepaald door de voortgang in het labyrint.<\/span><\/p>\n Na de training navigeerde de AI-robot met succes door het labyrint met een slagingspercentage van 76% en een gemiddelde voltooiingstijd van 15,73 seconden. Dit is iets beter dan het beste menselijke record van 15,95 seconden.<\/span><\/p>\n Het systeem gebruikt een camera om top-down beelden vast te leggen en daaruit cruciale gegevens te halen, zoals de positie van de bal en de lay-out van het labyrint. Machinaal leren <\/span>technieken gespiegelde waarnemingen om de trainingsgegevens te verbeteren, waardoor meer diverse gegevens worden gegenereerd en de generalisatie wordt verbeterd.<\/span><\/p>\n Dit onderzoek betekent een grote stap voorwaarts in het toepassen van AI in dynamische, echte omgevingen. Het ETH-team is van plan om hun project te open-sourcen, omdat ze geloven dat hun systeem kan dienen als een waardevolle benchmark voor verder AI-onderzoek vanwege de lage ruimtevereisten, bescheiden kosten en eenvoudige hardwareopstelling.<\/span><\/p>\n Verdere bevindingen worden gepubliceerd <\/span>op deze website,<\/span><\/a> en je kunt hieronder een video bekijken over de intrigerende werking van het robotsysteem.\u00a0<\/span><\/p>\nHoe het onderzoek werkte\u00a0<\/span><\/h2>\n