Nach Millionen von versuchen, Diese Simulierten Menschen zu Tun Gelernt Perfekten Backflips und Cartwheels
Mit etablierten machine-learning-Techniken, die Forscher von der Universität von Kalifornien,…
Lesen Sie mehr Lesen
Der Unterschied mit selbst-dressing, allerdings ist die Notwendigkeit zur haptischen Wahrnehmung. Animierte Charaktere zu berühren, Ihre Kleidung zu folgern Fortschritt. Wenn putzt sich die bots müssen Gewalt anwenden, um verschieben Sie Ihre virtuellen Waffen über die Kleidung, während die Vermeidung von Kräften, die zur Beschädigung der Kleidung, oder führen Sie eine hand-oder Winkelstück zu stecken. Folglich mussten die Forscher fügen Sie eine zweite wichtige element des Projekts: eine Physik-engine in der Lage den ziehen, Dehnung, und die Bearbeitung von formbaren Materialien, nämlich Tuch.
Während der Ausbildung, einen bot gewonnen Punkte durch die erfolgreiche greifen Sie die Kante des ärmels oder Stossen den Kopf durch den Kragen. Aber wenn eine Aktion zu reißen oder sich seine Arme hoffnungslos verheddert, es würde Punkte verlieren.
Sehr schnell in das Projekt, aber die Forscher stellten fest, dass ein einheitlicher, kohärenter dressing Politik war nicht zur Arbeit zu gehen. Die komplizierte Aufgabe des Verbandes musste zerlegt werden in eine Reihe von sub-Politik. Aber das macht Sinn, wenn wir lehren die Kinder, sich kleiden, bringen wir es einen Schritt zu einer Zeit. Der Akt der dressing kann nicht zerlegt werden in eine einzige philosophische Politik—es ist eine Schritt-für-Schritt-Prozess, der führt zu einem gewünschten Ziel. Clegg ‘ s team entwickelt eine Politik-Sequenzierung-Algorithmus für diesen Zweck; bei jeder gegebenen Etappe, eine animierte bot wusste, wo es war in der Umkleide Prozess, und welcher Schritt war erforderlich, weiter so, dass könnte es Voraus auf das gewünschte Ziel.
Clegg und seine Kollegen sagen, dass Ihre neue Papier ist die erste zu zeigen, dass das reinforcement learning im Zusammenhang mit cloth-simulation, die verwendet werden können, um zu lehren ein “robustes dressing control policy” zu bots, auch wenn es “notwendig zu trennen, das dressing Aufgabe in mehrere Teilaufgaben” und das system “lernen, einer Politik der Kontrolle für jede Teilaufgabe” zu machen, arbeiten, schreiben die Autoren in der Studie.
Wichtig ist, die Studie beschränkte sich auf Ober-Körper Aufgaben; die Durchführung von Unterkörper-dressing Aufgaben eingeführt haben, eine völlig neue Reihe von Komplikationen, wie die Erhaltung des Gleichgewichts, während er auf die Hosen. Auch wurde das system rechnerisch anspruchsvoll. Schließlich würden die Forscher gerne zu integrieren Speicher in das system, das könnte “reduzieren die Anzahl der erforderlichen Teilaufgaben und ermöglichen eine größere Generalisierung der erlernten Fähigkeiten,” die Autoren schreiben. In der Tat, wie das Kleinkind, die schnell erwirbt die Kompetenz und die Flexibilität, durch die Erfahrung, die Forscher wollen Ihr system dies ebenfalls zu tun.
Als ein letzter Hinweis, diese Studie zeigt, wie schwierig es sein wird, erstellen Sie Allgemeine künstliche Intelligenz. Es war ein triumph der KI-Forschung zu erstellen, Maschinen zu besiegen Großmeister im Schach und Go, aber die Schaffung von Systemen, die mehr profane Aufgaben wie dressing selbst—erweist sich als eine enorme Herausforderung.
[Georgia Institute of Technology]
Teilen Sie Diese Geschichte