Om een robotmechanisme te laten leren lopen, is het niet voldoende om er alleen maar een paar poten aan te "bevestigen". Leren bewegen is een zeer complex proces dat ontwikkelaars veel tijd kost. Maar nu zal dit probleem worden opgelost door kunstmatige intelligentie, omdat een groep experts universele algoritmen heeft gemaakt die AI helpen robots van elke configuratie te leren bewegen. In dit geval is menselijke tussenkomst in dit proces niet vereist.
Achter de ontwikkeling staat een team van wetenschappers van de University of California in Berkeley en een groep experts van Google Brain, een van Google's onderzoekstak op het gebied van kunstmatige intelligentie. Hun nieuwe systeem trainde de vierpotige robot om zowel bekend als onbekend terrein te doorkruisen.
Reinforcement learning is in wezen een wortel en stok-methode die is aangepast voor AI. Hij gebruikt beloning of straf voor het al dan niet bereiken van doelen.
Voor experimenten namen wetenschappers de Minitaur-robot. Ze ontwikkelden een systeem dat bestond uit een werkstation dat neurale netwerkgegevens bijwerkte, informatie laadde in Minitaur en het weer ontlaadde. De NVIDIA Jetson TX2-chip aan boord van de robot was verantwoordelijk voor de informatieverwerking. De robot liep 2 uur en deed 160.000 stappen. Gedurende deze tijd beloonde het algoritme de robot voor het vooruitgaan en strafte het hem als hij vast kwam te zitten op zijn plaats of een zeer grote rol opzij gaf. Als gevolg hiervan is een bewegingsalgoritme gemaakt waarmee de robot in elke situatie het optimale bewegingstraject kan kiezen.
Vladimir Kuznetsov
