Czy roboty mogą się uczyć na własnych błędach?

Inżynierowie z University of Texas opatentowali innowacyjną metodę w zakresie sterowania robotami. Umożliwia ona kontrolerowi podejmowanie decyzji w czasie rzeczywistym. Dzięki analizie podjętych wcześniej działań i ich efektu, układ jest w stanie sam optymalizować swoją pracę.

Prof. Frank Lewis, przewodniczący Katedry Inżynierii Elektronicznej w University of Texas wraz z zespołem złożyli do rejestracji wniosek patentowy opatrzony tytułem “Control Methodology for Online Adaptation to Optimal Feedback Controller Using Integral Reinforcement Learning”. Za tym skomplikowanym tytułem stoi proces nazywany Integralnie Wzmocnionym Nauczaniem. Działanie to wyraża się poprzez zdolność programu do uczenia się i podejmowania decyzji w oparciu o zestaw zmiennych aktualizowanych po podjęciu każdej następnej decyzji. Dzięki nowatorskim rozwiązaniom maszyna jest w stanie wyciągać wnioski w czasie rzeczywistym.

“Zaletą używania systemu adaptacyjnego integralnie wzmocnionego nauczania jest fakt, iż urządzenie może samo dążyć do optymalizacji wykonywanych procesów i to podczas ciągłej pracy” – mówi Frank Lewis.

Jest to szczególnie cenna cecha, ponieważ funkcjonujące obecnie rozwiązania nie posiadają rozbudowanych algorytmów, które pozwalałyby na radzenie sobie z napotkanymi problemami na bieżąco. Czyni to wdrażane systemy mało odpornymi na błędy i podatnymi na przestoje w działaniu. Według Franka Lewisa, przyszłość należy do robotów myślących, które na podstawie samodzielnie wyciągniętych wniosków, będą w stanie dążyć do uzyskania optymalnych warunków pracy. Wiąże się z tym bezpośrednio oszczędność energii, czasu oraz użytych w procesie środków.

Źródło: uta.edu