Restricciones virtuales: El aprendizaje por refuerzo se ha utilizado para entrenar a los bots para que se ejecuten en simulaciones, pero es difícil aplicar esta habilidad al mundo real. «Muchos de los videos que ves de agentes virtuales no son realistas en absoluto», dice Chelsea Finn, investigadora de inteligencia artificial y robótica de la Universidad de Stanford que no participó en el trabajo. Pequeñas diferencias entre las leyes de la física simuladas en un entorno virtual y las leyes reales de la física fuera del entorno (por ejemplo, cómo funciona la fricción entre los pies de un robot y el suelo) pueden provocar grandes errores cuando un robot intenta aplicar lo que necesita. ha aprendido. Un robot pesado de dos piernas puede perder el equilibrio y caer si sus movimientos son un poco diferentes.

Doble simulación: Sin embargo, sería peligroso entrenar a un robot grande mediante prueba y error en el mundo real. Para solucionar estos problemas, el equipo de Berkeley utilizó dos capas del entorno virtual. En la primera versión, una versión simulada de Cassie aprendió a caminar utilizando una gran base de datos existente de movimientos de robots. Esta simulación se transfirió luego a un segundo entorno virtual llamado SimMechanics, que refleja la física real con un alto grado de precisión, pero a un precio por la velocidad de carrera. Fue solo cuando Cassie parecía caminar bien que el modelo de caminar aprendido se cargó en el robot real.

La Cassie real pudo ejecutar con el modelo aprendido en la simulación sin ajustes adicionales. Podría caminar sobre terreno accidentado y resbaladizo, transportar cargas inesperadas y recuperarse de los empujones. Durante la prueba, Cassie también dañó dos motores en la pierna derecha, pero pudo ajustar sus movimientos para compensar esto. Finn cree que es un trabajo emocionante. Edward Johns, quien dirige el Robot Learning Lab en el Imperial College de Londres, está de acuerdo. «Este es uno de los ejemplos más exitosos que he visto», dice.

El equipo de Berkeley espera que este enfoque amplíe el repertorio de movimientos de Cassie. Pero no espere un baile pronto.

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí