Jeden z nejefektivnějších budoucích způsobu trénování algoritmů robotů by mohla být prostá nápodoba: Něco, co je i člověku velmi blízké.

Současné metody trénování robotů nejčastěji spoléhají na přímé programování, metody pokus-omyl nebo různé formáty učení s učitelem, učení bez učitele nebo zpětnovazebního učení.

„Improvizující“ roboti

Vědci Z MIT ale nově navrhli a vyvinuli systém PUnS (Planning with Uncertain Specifications), která má roboty snadno vytrénovat k jednoduchému naučení jinak komplikovaných činností. PUnS nestaví na klasické metodě „odměny“ za správně vykonanou akci, ale namísto toho využívá – velmi zjednodušeně a mírně nepřesně řečeno – systém „přesvědčení“. Pomocí logiky lineárního času (LTL) se robot „rozhoduje“, co má nyní a v budoucnu dělat.

Tým vědců stanovil robotům kritéria, která povedou ke splnění celkového přesvědčení; kritéria se mohou značně lišit, může jít o důraz na nejvyšší pravděpodobnost (tedy třeba spolehlivost) nebo nejnižší šanci selhání. Vývojář by tak mohl optimalizovat robota pro bezpečnost, třeba při práci s rizikovými materiály, nebo naopak na konzistentní, stálou kvalitu u továrních robotů.

Systém MIT se zdá dosti efektivním; ve 20 tisících pokusech o prostření stolu se robot spletl pouze 6x, což je výtečná statistika; a to se počítají i pokusy, kdy vědci například „schovali“ robotovi vidličku. Byl schopen se přizpůsobit, stůl prostřít a poté vidličku přidat, když se „objevila“. Stroje tak prokázali člověku blízkou vlastnost – improvizaci a důraz na konečný výsledek, byť stále podmíněný především předchozí prací týmu vědců.

V pozdějších iteracích by měl být systém schopen reagovat na zpětnou vazbu. Celý proces bude vyžadovat ještě hodně práce, ale pokud se uchytí, mohl by změnit způsob trénování algoritmů a interakce s roboty.

Zdroj: MIT, IEEE, obrázky: MIT