เทคโนโลยีการเรียนรู้พฤติกรรมในขณะที่หุ่นยนต์กำลังรอ

ที่มา

แม้ว่าจะสามารถปรับปรุงนโยบายหุ่นยนต์ทั่วไปอย่างต่อเนื่องผ่านการเรียนรู้เสริมกำลัง แต่ความหน่วงในการอนุมานที่รุนแรงของโมเดลขนาดใหญ่ทำให้หุ่นยนต์หยุดชะงักหรือสะดุด ซึ่งเป็นสาเหตุให้ขั้นตอนวิธีเรียนรู้เสริมกำลังแบบเดิมล้มเหลว

วิธีการ

อาศัยวิธีการอนุมานแบบอะซิงโครนัสที่ซ่อนความหน่วงโดยการสลับการสร้างพฤติกรรมและการดำเนินการ และได้นำการออกแบบนโยบายการเรียนรู้เสริมกำลังความหน่วงต่ำมาใช้ เพื่อกู้คืนคุณสมบัติมาร์คอฟโดยรวมถึงพฤติกรรมที่ดำเนินการไปแล้วและข้อมูลการสังเกตการณ์ขั้นกลาง

ผลลัพธ์หลัก

จากการประเมินในการทดลองจำลองและงานปฏิบัติการหุ่นยนต์จริง ได้รับการยืนยันว่าสามารถปรับแต่งได้อย่างมีประสิทธิภาพแม้ในสภาพแวดล้อมที่มีความหน่วงซึ่งการเรียนรู้เสริมกำลังแบบเดิมล้มเหลวอย่างสิ้นเชิง

ข้อจำกัดและประเด็นที่ควรตรวจสอบ

ในบทคัดย่อไม่สามารถยืนยันตัวเลขรายละเอียดเกี่ยวกับต้นทุนการคำนวณที่เฉพาะเจาะจงหรือความสามารถทั่วไปในสภาพแวดล้อมฮาร์ดแวร์หุ่นยนต์ที่หลากหลายได้

อธิบายศัพท์

• การเรียนรู้เสริมกำลัง — วิธีการเรียนรู้ของปัญญาประดิษฐ์ที่ค้นหารูปแบบพฤติกรรมที่ดีที่สุดผ่านการลองผิดลองถูก
• ความหน่วงในการอนุมาน — เวลาที่โมเดลปัญญาประดิษฐ์ใช้ในการรับอินพุตแล้วหาข้อสรุปหรือตัดสินใจกระทำพฤติกรรม
• สมมติฐานมาร์คอฟ — สมมติฐานพื้นฐานของการเรียนรู้เสริมกำลังที่ระบุว่าสถานะปัจจุบันเพียงอย่างเดียวก็เพียงพอที่จะตัดสินใจพฤติกรรมในอนาคต