A különböző formájú és méretű robotok egyre inkább benépesítik a munkahelyeket, kezdve a gyáraktól egészen a műtőkig. Ezek közül sokan a gépi tanulás révén vagy próbálgatás útján sajátítják el az új készségeket. Egy új módszer segíti a különböző formájú robotokat az ilyen adottságok átadásában, ezzel elkerülve azt, hogy a feladatokat minden alkalommal a nulláról kezdve kelljen megtanulniuk – írja a Scientific American.
Mi ez a módszer?
Tegyük fel, hogy van egy robotkar, amely az emberhez hasonló kézzel rendelkezik. Öt ujját betanították arra, hogy felvegyen egy kalapácsot, és szeget üssön a deszkába. De egy kétujjas markoló robottal is ugyanezt a feladatot szeretnék elvégeztetni. A tudósok létrehoztak egyfajta hidat a két robot szimulációjából, amely lassan változik az eredeti formáról az újra. Minden köztes robot gyakorolja a kijelölt feladatot, és addig finomítja a neurális hálózatát, amíg el nem ér egy küszöbértéket a sikerességben, mielőtt a vezérlő kódját továbbadják a láncban következő robotnak.
A virtuális forrás- és célrobotok közötti átmenethez a csapat egy közös „kinematikai fát” hozott létre – a végtagrészeket ábrázoló csomópontok halmazát, amelyeket ízületeket ábrázoló linkek kötnek össze. A kalapácsütési készségek átviteléhez a kétujjas markolón a csapat három ujj csomópontjának méretét és súlyát nullára állította. Minden egyes köztes robotban az ujjak mérete és súlya egy kicsit kisebb lett, és az őket vezérlő hálózatnak meg kellett tanulnia alkalmazkodni. A kutatók a betanítási módszerüket is finomították, hogy a robotok közötti ugrások ne legyenek túl nagyok vagy túl kicsik.
A Carnegie Mellon REvolveR (Robot-Evolve-Robot) nevű rendszere felülmúlta az olyan alapképzési módszereket, mint például a célrobot nulláról történő tanítása. Ahhoz, hogy a markolóval 90 százalékos sikerarányt érjenek el a kalapácsos feladatban és más, például labda mozgatását és ajtónyitást tartalmazó kísérletekben, a legjobb alternatív tréningmódszer 29 és 108 százalékkal több próbát igényelt, mint a REvolveR. További kísérletekben a kutatók más típusú virtuális robotokon tesztelték az eljárásukat, például új lábszakaszokat adtak egy pókszerű robothoz, és újra taníttatták vele a kúszást.
„Szerintem az ötlet kiváló” – mondja Vitaly Kurin, az Oxfordi Egyetem informatikusa, robotika és gépi tanulás szakértő. „Bár a kihívások olyan elrendezése, hogy egy mesterséges intelligencia át tudja adni a készségeket a feladatok között, nem újdonság, ez az interpoláció az egyik robotról a másikra az átadás érdekében olyasmi, amire korábban nem volt példa.”
Némethi Botond, NEW technology magazin