Os investigadores da ETH Zurich desenvolveram um sistema rob\u00f3tico capaz de resolver um jogo de labirinto do mundo real utilizando a aprendizagem por refor\u00e7o.\u00a0<\/b><\/p>\n
Tal como descrito em <\/span>o seu estudo<\/span><\/a> \"Sample-Efficient Learning to Solve a Real-World Labyrinth Game Using Data-Augmented Model-Based Reinforcement Learning\", este rob\u00f4 com intelig\u00eancia artificial dominou o jogo do labirinto BRIO em apenas cinco horas de dados de treino, superando todas as tentativas anteriores conhecidas.<\/span><\/p>\n O jogo do labirinto BRIO, que pode ser familiar para alguns, \u00e9 um teste \u00e0s capacidades motoras finas e ao racioc\u00ednio espacial que exige que os jogadores naveguem uma bola de a\u00e7o atrav\u00e9s de um labirinto, inclinando o campo de jogo.\u00a0<\/span><\/p>\n Apesar da sua aparente simplicidade, o jogo \u00e9 complexo devido \u00e0 rela\u00e7\u00e3o entre a bola e as paredes, \u00e0s irregularidades da superf\u00edcie e \u00e0 din\u00e2mica n\u00e3o linear do bot\u00e3o de controlo. Estes desafios tornam o labirinto ideal para aplicar e avaliar os m\u00e9todos de aprendizagem rob\u00f3tica mais avan\u00e7ados.<\/span><\/p>\n A equipa da ETH Zurich, liderada por Thomas Bi e pelo Professor Raffaello D'Andrea, desenvolveu um m\u00e9todo que extrai observa\u00e7\u00f5es eficientes do labirinto utilizando imagens de c\u00e2maras.\u00a0<\/span><\/p>\n O processo de aprendizagem da IA baseia-se na aprendizagem por refor\u00e7o baseada em modelos, utilizando uma fun\u00e7\u00e3o de recompensa definida pelo progresso atrav\u00e9s do labirinto.<\/span><\/p>\n Ap\u00f3s o treino, o rob\u00f4 com IA navegou com sucesso no labirinto com uma taxa de sucesso de 76% e um tempo m\u00e9dio de conclus\u00e3o de 15,73 segundos. Este tempo \u00e9 ligeiramente melhor do que o melhor registo humano de 15,95 segundos.<\/span><\/p>\n O sistema utiliza uma c\u00e2mara para captar imagens de cima para baixo, extraindo dados cruciais como a posi\u00e7\u00e3o da bola e a disposi\u00e7\u00e3o do labirinto. Aprendizagem autom\u00e1tica <\/span>as t\u00e9cnicas espelham observa\u00e7\u00f5es para melhorar os dados de treino, gerando dados mais diversificados e melhorando a generaliza\u00e7\u00e3o.<\/span><\/p>\n Esta investiga\u00e7\u00e3o representa um passo em frente substancial na aplica\u00e7\u00e3o da IA em ambientes din\u00e2micos do mundo real. A equipa da ETH planeia tornar o seu projeto open-source, acreditando que o seu sistema poder\u00e1 servir como uma valiosa refer\u00eancia no mundo real para futuras investiga\u00e7\u00f5es sobre IA, devido aos seus baixos requisitos de espa\u00e7o, custo modesto e configura\u00e7\u00e3o simples do hardware.<\/span><\/p>\n S\u00e3o publicados outros resultados <\/span>neste s\u00edtio Web,<\/span><\/a> e pode ver um v\u00eddeo sobre o funcionamento intrigante do sistema de rob\u00f4s abaixo.\u00a0<\/span><\/p>\nComo funcionou o estudo\u00a0<\/span><\/h2>\n