Forskare från ETH Zürich har utvecklat ett robotsystem som kan lösa ett labyrintspel i verkligheten med hjälp av förstärkningsinlärning.
Som beskrivs i deras studie "Sample-Efficient Learning to Solve a Real-World Labyrinth Game Using Data-Augmented Model-Based Reinforcement Learning", denna AI-drivna robot bemästrade BRIO-labyrintspelet på bara fem timmars träningsdata, vilket överträffade alla kända tidigare försök.
BRIO:s labyrintspel, som kanske är bekant för vissa, är ett test av finmotorik och spatialt tänkande som kräver att spelarna navigerar en stålkula genom en labyrint genom att luta spelplanen.
Trots sin uppenbara enkelhet är spelet komplext på grund av förhållandet mellan bollen och väggarna, ojämnheter i ytan och olinjär dynamik i styrknappen. Dessa utmaningar gör labyrinten idealisk för att tillämpa och utvärdera de senaste metoderna för robotinlärning.
ETH Zürich-teamet, som leds av Thomas Bi och professor Raffaello D'Andrea, har utvecklat en metod som extraherar effektiva observationer från labyrinten med hjälp av kamerabilder.
AI:ns inlärningsprocess är baserad på modellbaserad förstärkningsinlärning, med en belöningsfunktion som definieras av framstegen genom labyrinten.
Efter träningen navigerade AI-roboten framgångsrikt genom labyrinten med en 76% framgångsgrad och en genomsnittlig sluttid på 15,73 sekunder. Detta är något bättre än det bästa mänskliga rekordet på 15,95 sekunder.
Hur studien fungerade
Systemet använder en kamera för att ta bilder uppifrån och ner och extrahera viktiga data som bollposition och labyrintlayout. Maskininlärning tekniken speglar observationer för att förbättra träningsdata, skapa mer varierade data och förbättra generaliseringen.
Denna forskning utgör ett stort steg framåt när det gäller att tillämpa AI i dynamiska, verkliga miljöer. ETH-teamet planerar att använda öppen källkod för sitt projekt och tror att deras system kan fungera som ett värdefullt riktmärke i verkligheten för ytterligare AI-forskning på grund av dess låga utrymmesbehov, blygsamma kostnad och enkla hårdvarukonfiguration.
Ytterligare resultat har publicerats på den här webbplatsen, och du kan se en video av hur robotsystemet fungerar nedan.
En av studiens medförfattare, professor Raffaello D'Andrea, "Vi tror att detta är den perfekta testbädden för forskning inom maskininlärning och AI i den verkliga världen. Före CyberRunner var det bara organisationer med stora budgetar och skräddarsydd experimentell infrastruktur som kunde bedriva forskning inom detta område."
"För mindre än 200 dollar kan vem som helst nu delta i banbrytande AI-forskning. När tusentals CyberRunners är ute i verkligheten kommer det dessutom att vara möjligt att genomföra storskaliga experiment, där inlärning sker parallellt, på global nivå. Det ultimata inom medborgarforskning!"
Att tillämpa avancerade AI-system på praktiskt användbara robotsystem har varit av stort intresse. Forskare använde nyligen AI för att bygga en robot som kan Autonom tillverkning av en syrgas katalysator från stenprover, och DeepMind samarbetade kring en autonomt forskningslaboratorium som kan upptäcka och syntetisera föreningar.
ETH Zurichs AI-robot visar potentialen i avancerade AI-tekniker för att lösa verkliga utmaningar och överbrygga klyftan mellan AI:s teoretiska kapacitet och dess praktiska användning i fysiska miljöer.
I framtiden kommer dessa tekniker att förenas för att möjliggöra effektiva, intelligenta robotsystem som självständigt hanterar komplexa uppgifter i verkliga livet.
