Guarda i mini robot umanoidi che mostrano le loro abilità calcistiche

I robot del calcio hanno avuto un aggiornamento. I robot a due gambe addestrati utilizzando l’apprendimento di rinforzo profondo, guidato dall’intelligenza artificiale, possono camminare, girarsi per calciare un pallone e rialzarsi dopo essere caduti più velocemente dei robot che lavorano con lezioni programmate.

Guy Lever di Google DeepMind e i suoi colleghi hanno sottoposto i robot Robotis OP3 alimentati a batteria, alti circa 50 centimetri e dotati di 20 articolazioni, a 240 ore di apprendimento di rinforzo profondo.

Questa tecnica combina due principi chiave della formazione sull’intelligenza artificiale: l’apprendimento per rinforzo prevede che gli agenti acquisiscano competenze attraverso tentativi ed errori, con l’obiettivo di essere ricompensati per aver scelto correttamente più spesso che per aver scelto in modo sbagliato, mentre l’apprendimento profondo utilizza strati di reti neurali – tentativi di imitare l’umano cervello: per analizzare i modelli all’interno dei dati mostrati dall’intelligenza artificiale.

I ricercatori hanno confrontato i loro robot con robot che lavorano secondo competenze prestabilite. Quelli addestrati con l’apprendimento di rinforzo profondo potrebbero camminare il 181% più velocemente, girare il 302% più velocemente, calciare una palla con una forza maggiore del 34% e rialzarsi il 63% più velocemente dopo essere caduti in una partita uno contro uno rispetto agli altri. “Questi comportamenti sono molto difficili da progettare e scrivere manualmente”, afferma Lever.

La ricerca fa avanzare il campo della robotica, afferma Jonathan Aitken dell’Università di Sheffield, nel Regno Unito. “Uno dei problemi più significativi affrontati in questo articolo è la chiusura del divario tra simulazione e realtà”, afferma. È qui che le competenze apprese nelle simulazioni non si trasferiscono necessariamente bene negli ambienti di vita reale.

La soluzione proposta dal team di Google DeepMind – utilizzare un motore fisico per simulare casi di addestramento invece di chiedere al robot di provare ripetutamente cose nella vita reale e utilizzarle come dati di addestramento analizzati dalla rete neurale – è utile, dice.

Ma “i robot che giocano a calcio non sono l’obiettivo finale”, afferma il membro del team Tuomas Haarnoja.

“Lo scopo di questo lavoro non è produrre robot umanoidi che giocheranno presto in Premier League”, afferma Aitken, “ma piuttosto capire come possiamo sviluppare rapidamente competenze robotiche complesse, utilizzando metodologie di addestramento sintetiche per sviluppare competenze che possano essere implementate”. trasferito rapidamente e, cosa ancora più importante, in applicazioni di lavoro reali”.