{"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\/pt\/2024\/04\/deepmind-train-robot-soccer-players-that-kick-tackle-and-defend\/","title":{"rendered":"A DeepMind treina jogadores de futebol robots que chutam, atacam e defendem"},"content":{"rendered":"

Os investigadores da DeepMind da Google alcan\u00e7aram um marco na rob\u00f3tica ao treinarem com sucesso rob\u00f4s human\u00f3ides de 20 polegadas de altura para jogarem jogos de futebol um contra um.\u00a0<\/b><\/p>\n

Os seus <\/span>estudo<\/span><\/a>publicado na revista Science Robotics, explica como utilizaram a aprendizagem por refor\u00e7o profundo (RL) para ensinar aos rob\u00f4s capacidades complexas de locomo\u00e7\u00e3o e de jogo.<\/span><\/p>\n

Os produtos dispon\u00edveis no mercado Rob\u00f4s Robotis OP3<\/a> aprendeu a correr, pontapear, bloquear, levantar-se de quedas e marcar golos - tudo isto sem qualquer programa\u00e7\u00e3o manual. <\/span><\/p>\n

Em vez disso, os agentes de IA que controlam os rob\u00f4s adquiriram estas capacidades atrav\u00e9s de tentativa e erro em ambientes simulados, guiados por um sistema de recompensa.<\/span><\/p>\n

Eis como funciona o sistema de futebol rob\u00f3tico:<\/span><\/p>\n

    \n
  1. Primeiro, treinaram redes neuronais separadas, chamadas \"pol\u00edticas de compet\u00eancias\", para movimentos fundamentais como andar, dar pontap\u00e9s e levantar-se. Cada compet\u00eancia foi aprendida num ambiente espec\u00edfico que recompensava o rob\u00f4 por dominar essa capacidade espec\u00edfica.<\/span><\/li>\n
  2. Em seguida, utilizando uma t\u00e9cnica chamada destila\u00e7\u00e3o de pol\u00edticas, as pol\u00edticas de compet\u00eancias individuais foram fundidas numa \u00fanica rede de pol\u00edticas principais. Esta pol\u00edtica unificada pode ativar a compet\u00eancia adequada em fun\u00e7\u00e3o da situa\u00e7\u00e3o.<\/span><\/li>\n
  3. Os investigadores optimizaram ainda mais a pol\u00edtica principal atrav\u00e9s do auto-jogo, em que o rob\u00f4 jogou partidas simuladas contra vers\u00f5es anteriores de si pr\u00f3prio. Este processo iterativo levou a melhorias cont\u00ednuas na estrat\u00e9gia e na jogabilidade.<\/span><\/li>\n
  4. Para preparar a pol\u00edtica para a implementa\u00e7\u00e3o no mundo real, o ambiente de treino simulado foi aleatorizado em termos de factores como a fric\u00e7\u00e3o e a distribui\u00e7\u00e3o da massa do rob\u00f4. Isto ajudou a pol\u00edtica a tornar-se mais robusta \u00e0s varia\u00e7\u00f5es f\u00edsicas.<\/span><\/li>\n
  5. Finalmente, depois de treinar exclusivamente em simula\u00e7\u00e3o, a pol\u00edtica finalizada foi transferida para rob\u00f4s OP3 reais, que jogaram jogos de futebol f\u00edsicos sem necessidade de afina\u00e7\u00e3o adicional.<\/span><\/li>\n<\/ol>\n

    Para ser sincero, \u00e9 preciso ver para crer, por isso, veja Ci\u00eancia Popular<\/a>v\u00eddeos abaixo.<\/p>\n