Bacaklı Robotların Çevrelerinden Sürekli Öğrenmelerini Sağlayan Yeni Bir Teknik

Yapay Zeka Takviyeli Yeni Nesil Bacaklı Robotlar

Bacaklı robotlar, uzun mesafeler kat etme ve çok çeşitli kara tabanlı ortamlarda gezinme yeteneği de dahil olmak üzere çok sayıda avantajlı özelliğe sahiptir. Bununla birlikte, şimdiye kadar bacaklı robotlar öncelikle çevrelerine uyum sağlamak ve çok sayıda farklı ortamda verimli bir şekilde çalışmak yerine, belirli ortamlarda hareket etmek için eğitildi. Bunun önemli bir nedeni, bir robotun çalışırken karşılaşabileceği tüm olası çevresel koşulları tahmin etmenin ve bu koşullara en iyi şekilde yanıt vermesi için eğitmenin son derece zor olmasıdır.

Berkeley AI Research ve UC Berkeley'deki araştırmacılar son zamanlarda, bacaklı robotların çevrelerinden aktif olarak öğrenmelerine ve hareket becerilerini sürekli geliştirmelerine izin verecek bu sorunu atlatabilecek takviye öğrenme tabanlı bir hesaplama tekniği  geliştirdiler. ArXiv'de önceden yayınlanan bir makalede sunulan bu teknik, bir robotun gerçek dünyadaki hareket politikalarına ince ayar yaparak çeşitli ortamlarda daha etkili bir şekilde hareket etmesini sağlayabiliyor.

Çalışmayı yürüten araştırmacılardan Laura Smith; "Robotları gerçek dünyada konuşlandırıldığında asla başarısız olmayacakları şekilde eğitemeyiz." dedi. "Bu yüzden robotların otonom olabilmesi için toparlanabilmeleri ve başarısızlıklardan ders alabilmeleri gerekiyor. Bu çalışmada, robotların tam da bunu yapabilmesi için gerçek dünyada RL gerçekleştirmek için bir sistem geliştiriyoruz.  Bu yeni sistem, bacaklı robotların hayvanların hareketlerini gözlemleyerek ve taklit ederek kolayca hareketlilik becerileri kazanmalarını sağlıyor.

Gelecekte, bu araştırmacı ekip tarafından geliştirilen yeni takviye tekniği, hem mevcut hem de yeni geliştirilen bacaklı robotların hareket becerilerini önemli ölçüde geliştirmek ve çok çeşitli yüzeylerde ve arazilerde hareket etmelerini sağlamak için kullanılabilir. Bu da, farklı özelliklere sahip çok sayıda ortamdan geçerken, karada uzun mesafeler boyunca seyahat etmeyi içeren karmaşık görevler için bu robotların kullanımını kolaylaştırabilir.

Smith, "Artık sistemimizi, bir robotun gerçek dünyada karşılaştığı çeşitli, sürekli değişen durumlara maruz kaldığında öğrenmeyi asla bırakmadığı yaşam boyu süren bir öğrenme sürecine uyarlamanın heyecanını yaşıyoruz" dedi.