Forskare fr\u00e5n ETH Z\u00fcrich har utvecklat ett robotsystem som kan l\u00f6sa ett labyrintspel i verkligheten med hj\u00e4lp av f\u00f6rst\u00e4rkningsinl\u00e4rning.\u00a0<\/b><\/p>\n
Som beskrivs i <\/span>deras studie<\/span><\/a> \"Sample-Efficient Learning to Solve a Real-World Labyrinth Game Using Data-Augmented Model-Based Reinforcement Learning\", denna AI-drivna robot bem\u00e4strade BRIO-labyrintspelet p\u00e5 bara fem timmars tr\u00e4ningsdata, vilket \u00f6vertr\u00e4ffade alla k\u00e4nda tidigare f\u00f6rs\u00f6k.<\/span><\/p>\n BRIO:s labyrintspel, som kanske \u00e4r bekant f\u00f6r vissa, \u00e4r ett test av finmotorik och spatialt t\u00e4nkande som kr\u00e4ver att spelarna navigerar en st\u00e5lkula genom en labyrint genom att luta spelplanen.\u00a0<\/span><\/p>\n Trots sin uppenbara enkelhet \u00e4r spelet komplext p\u00e5 grund av f\u00f6rh\u00e5llandet mellan bollen och v\u00e4ggarna, oj\u00e4mnheter i ytan och olinj\u00e4r dynamik i styrknappen. Dessa utmaningar g\u00f6r labyrinten idealisk f\u00f6r att till\u00e4mpa och utv\u00e4rdera de senaste metoderna f\u00f6r robotinl\u00e4rning.<\/span><\/p>\n ETH Z\u00fcrich-teamet, som leds av Thomas Bi och professor Raffaello D'Andrea, har utvecklat en metod som extraherar effektiva observationer fr\u00e5n labyrinten med hj\u00e4lp av kamerabilder.\u00a0<\/span><\/p>\n AI:ns inl\u00e4rningsprocess \u00e4r baserad p\u00e5 modellbaserad f\u00f6rst\u00e4rkningsinl\u00e4rning, med en bel\u00f6ningsfunktion som definieras av framstegen genom labyrinten.<\/span><\/p>\n Efter tr\u00e4ningen navigerade AI-roboten framg\u00e5ngsrikt genom labyrinten med en 76% framg\u00e5ngsgrad och en genomsnittlig sluttid p\u00e5 15,73 sekunder. Detta \u00e4r n\u00e5got b\u00e4ttre \u00e4n det b\u00e4sta m\u00e4nskliga rekordet p\u00e5 15,95 sekunder.<\/span><\/p>\n Systemet anv\u00e4nder en kamera f\u00f6r att ta bilder uppifr\u00e5n och ner och extrahera viktiga data som bollposition och labyrintlayout. Maskininl\u00e4rning <\/span>tekniken speglar observationer f\u00f6r att f\u00f6rb\u00e4ttra tr\u00e4ningsdata, skapa mer varierade data och f\u00f6rb\u00e4ttra generaliseringen.<\/span><\/p>\n Denna forskning utg\u00f6r ett stort steg fram\u00e5t n\u00e4r det g\u00e4ller att till\u00e4mpa AI i dynamiska, verkliga milj\u00f6er. ETH-teamet planerar att anv\u00e4nda \u00f6ppen k\u00e4llkod f\u00f6r sitt projekt och tror att deras system kan fungera som ett v\u00e4rdefullt riktm\u00e4rke i verkligheten f\u00f6r ytterligare AI-forskning p\u00e5 grund av dess l\u00e5ga utrymmesbehov, blygsamma kostnad och enkla h\u00e5rdvarukonfiguration.<\/span><\/p>\n Ytterligare resultat har publicerats <\/span>p\u00e5 den h\u00e4r webbplatsen,<\/span><\/a> och du kan se en video av hur robotsystemet fungerar nedan.\u00a0<\/span><\/p>\nHur studien fungerade\u00a0<\/span><\/h2>\n