Un cane robotico impara a camminare con l’aiuto dell’intelligenza artificiale. Sono passato dall’essere completamente senza speranza a essere in grado di camminare in un’ora.

Insegnare ai robot a eseguire attività può essere un’impresa che richiede tempo e talvolta può richiedere milioni di ore di simulazioni al computer. Quindi i ricercatori dell’Università della California, nel tentativo di aggirare del tutto le simulazioni al computer, hanno usato il cosiddetto “pensiero basato su modelli” per insegnare a un cane robotico a camminare.

Come si può vedere nella clip sopra, l’IA insegna a un cane robotico a camminare in appena un’ora. Ciò è possibile grazie a un algoritmo di intelligenza artificiale sviluppato chiamato Dreamer. Il MIT Technology Review scrive del Dreamer:

“L’algoritmo del team, chiamato Dreamer, utilizza le esperienze passate per costruire un modello del mondo circostante. Dreamer consente inoltre al bot di eseguire calcoli per tentativi ed errori in un programma per computer piuttosto che nel mondo reale, prevedendo possibili risultati futuri dai suoi azioni possibili. Ciò gli consente di apprendere più velocemente di quanto possa fare. Solo. Una volta che il robot impara a camminare, continua ad imparare ad adattarsi a situazioni impreviste, come resistere a una caduta con un bastone. “

I ricercatori hanno riferito di aver anche testato l’algoritmo Dreamer con un bot e un robot rotante, che è stato in grado di apprendere compiti senza l’aiuto di lunghe simulazioni al computer. In futuro, si ritiene che algoritmi simili a questo potrebbero essere utilizzati anche per insegnare alle auto a guida autonoma a gestire diverse situazioni che potrebbero incontrare nel traffico. Tuttavia, probabilmente ci vorrà del tempo prima di arrivarci.

uno strumentoE il robotE il

Cane robot, intelligenza artificiale, modello globale, pensiero basato su modelli

Attraverso

individualityhub.com

logica basata su modelliNell’intelligenza artificiale, il pensiero basato su modelli si riferisce al metodo di ragionamento utilizzato nei sistemi esperti basati su un modello del mondo fisico. Con questo approccio, l’obiettivo principale dello sviluppo dell’applicazione è lo sviluppo del modello. Quindi, in fase di esecuzione, il “motore” combina questa conoscenza del modello con i dati osservati per trarre conclusioni come una diagnosi o una previsione.