Entre nos nossos canais do Telegram e WhatsApp para notícias em primeira mão.
Telegram: [link do Telegram] WhatsApp: [link do WhatsApp]
Novidade na robótica, robôs que jogam futebol podem responder mais rapidamente do que aqueles treinados de maneira padrão porque melhoraram suas habilidades por meio de uma técnica baseada em inteligência artificial chamada aprendizado por reforço profundo. Os robôs de futebol receberam uma atualização. Robôs bipedes treinados usando aprendizado por reforço profundo, que é impulsionado por inteligência artificial, podem andar, virar para chutar uma bola e se levantar após cair mais rapidamente do que robôs que seguem lições pré-programadas.
Guy Lever do Google DeepMind e seus colegas submeteram robôs Robotis OP3, alimentados por bateria, que têm cerca de 50 centímetros de altura e 20 articulações, a 240 horas de aprendizado por reforço profundo. Essa técnica combina dois princípios-chave de treinamento de IA: o aprendizado por reforço faz com que os agentes adquiram habilidades por tentativa e erro, com o objetivo de serem recompensados por escolherem corretamente com mais frequência do que escolherem erroneamente, enquanto o aprendizado profundo usa camadas de redes neurais – tentativas de imitar o cérebro humano – para analisar padrões nos dados mostrados à IA.
Os pesquisadores compararam seus robôs com robôs que seguiam habilidades pré-programadas. Aqueles treinados com aprendizado por reforço profundo podiam andar 181% mais rápido, virar 302% mais rápido, chutar uma bola 34% mais forte e se levantar 63% mais rápido após cair em um jogo um-contra-um do que os outros. “Esses comportamentos são muito difíceis de projetar e programar manualmente”, diz Lever. A pesquisa avança no campo da robótica, diz Jonathan Aitken da Universidade de Sheffield, Reino Unido.
“Um dos problemas mais significativos tratados neste artigo é fechar a lacuna entre simulação e realidade”, diz ele. Isso é onde as habilidades aprendidas em simulações não necessariamente se transferem bem para ambientes da vida real. A solução proposta pela equipe – usar um motor físico para simular casos de treinamento em vez de fazer o robô tentar repetidamente coisas na vida real e usar isso como dados de treinamento analisados pela rede neural – é útil, diz ele. Mas “robôs jogando futebol não é o objetivo final”, diz o membro da equipe Tuomas Haarnoja.
“O objetivo deste trabalho não é produzir robôs humanoides jogando na Premier League em breve”, diz Aitken, “mas sim entender como podemos construir habilidades complexas de robôs rapidamente, usando metodologias de treinamento sintéticas para construir habilidades que possam ser rapidamente e, mais importante, robustamente, transferidas para aplicações de trabalho reais.”
