Framework Permet aux Robots d’Effectuer des Tâches Interactives dans un Ordre Séquentiel

Framework pour tâches interactives séquentielles pour robots

.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_de { background: url(../images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(../images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }

La navigation interactive nécessite qu'un robot atteigne un lieu de destination tout en interagissant avec des obstacles sur le chemin, ce qui s'est avéré être l'apprentissage le plus difficile pour les robots. ¶ Crédit : Georgia Tech Research

Un cadre développé par Niranjan Kumar, doctorant à l’Institut de technologie de Géorgie, permet aux robots quadrupèdes d’effectuer des tâches de plus en plus complexes sans avoir à réapprendre les mouvements.

Le cadre d’apprentissage résiduel compositionnel en cascade (CCRL) agit comme une bibliothèque où chaque nouvelle compétence apprise par le robot est ajoutée puis utilisée pour atteindre des compétences plus complexes.

Le cadre a été démontré par un robot utilisant le transfert d’énergie pour ouvrir une porte lourde.

Actuellement, un robot peut apprendre et déployer 10 compétences en utilisant le CCRL.

Kumar a déclaré : “Il faut simplement plus de temps pour s’entraîner à mesure que l’on ajoute plus de compétences, car maintenant la politique doit également trouver comment incorporer toutes ces compétences dans différentes situations. Mais théoriquement, vous pouvez continuer à ajouter plus de compétences indéfiniment tant que vous disposez d’un ordinateur suffisamment puissant pour exécuter les politiques.” De l’Institut de technologie de Géorgie Voir l’article complet

Droits d’auteur © 2023 SmithBucklin , Washington, D.C., États-Unis

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

Décoder l'intelligence humaine les dernières recherches en IA de Stanford remettent en question le sens inné des nombres - une compétence acquise ou un don naturel ?

La capacité de déchiffrer n’importe quelle quantité est appelée Sens du nombre. Le sens du nombre est essentiel...

AI

Des mots aux mondes Exploration de la narration vidéo avec la description fine-grainée multimodale de l'IA

La langue est le mode de communication humaine prédominant, offrant bien plus que de simples détails supplémentaires ...

AI

Cet article sur l'IA dévoile les secrets de l'optimisation des grands modèles de langage équilibrer les récompenses et prévenir la sur-optimisation.

Une équipe de chercheurs de l’UC Berkeley, de l’UCL, du CMU et de Google Deepmind relève le défi d’...

AI

Utiliser ou ne pas utiliser l'apprentissage automatique

L'apprentissage automatique est excellent pour résoudre certains problèmes complexes, généralement liés à des relatio...

AI

Présentation de PandasAI une bibliothèque d'analyse de données alimentée par GenAI

Introduction Il y a eu récemment des avancées et des percées dans le domaine de l’Intelligence Artificielle Gén...