ببینید، ربات های انسان نمای گوگل در زمین چمن، فوتبال بازی می نمایند - وبلاگ عکس

به گزارش وبلاگ عکس، پس از سال ها کوشش، ربات های دوپای Google DeepMind توانستند تا رودرروی هم یک مسابقه فوتبال برگزار نمایند. بازی بامزه این دو ربات کوچک را در ادامه ببینید.

غزال زیاری: DeepMind گوگل حالا این توانایی را دارد تا با آموزش ربات های کوچک، آنها را به زمین فوتبال بفرستد. در مقاله جدیدی که در مجله Science Robotics منتشر شده، محققان درباره کوشش هایشان برای تطبیق زیرمجموعه ای از یادگیری ماشینی به نام یادگیری تقویتی عمیق (Deep RL) شرح داده اند که از آن برای آموزش نسخه ساده شده ورزش فوتبال به ربات های دوپا استفاده می گردد.

اعضای این تیم، یادآور شده اند که در آزمایش های مشابه گذشته، ربات های چهارپای مشابه و چابکی ساخته بودند ولی کوشش چندانی برای ساخت ربات های دوپا و انسان نما انجام نشده بود. اما ویدیوی اخیر منتشر شده، ربات های دوپا را در حال دریبل زدن، دفاع و شوت زنی به سمت دروازه حریف نشان می دهد و حکایت از آن دارد که یادگیری تقویت عمیق مربی چقدر در ماشین های انسان نما، کاربردی و خوب است.

ورود ربات ها به عرصه های مختلف

این درحالی است که این ربات ها در نهایت در پروژه های عظیمی مثل پیش بینی آب وهوا و مهندسی مواد طراحی شده اند. اما بدین ترتیب Google DeepMind این قابلیت را دارد که در بازی هایی مثل شطرنج و یا حتی Starcraft II رقبای انسانی را از پیش رو بردارد. البته همه این مانورهای استراتژیک به حرکات و هماهنگی های فیزیکی پیچیده ای احتیاج ندارند.

هرچند که DeepMind تا به امروز توانسته تا به آنالیز حرکات شبیه سازی شده فوتبال بپردازد ولی هنوز قادر نبوده تا آن را در زمین بازی فیزیکی پیاده سازی کند که این روند هم با سرعت بالایی در حال تغییر است.

مهندسان برای ساخت یک فوتبالیست مینیاتوری، در ابتدا دو مجموعه مهارت عمیق RL را در شبیه سازی کامیپوتری ساخته و آموزش دادند که عبارت بود از توانایی بلند شدن از روی زمین و نحوه به ثمر رساندن گل مقابل یک حریف آموزش ندیده. پس از آن، آنها عملا سیستم شان را آموزش دادند تا با ترکیب این مجموعه مهارت ها، یک مسابقه کامل فوتبال دو نفره (یک به یک) را برگزار نموده و بعد از آن به شکلی تصادفی آنها را مقابل ربات هایی که تا حدودی تمرین داده شده بودند به میدان فرستادند.

در مرحله دوم، این ربات ها یادگرفتند تا مهارت هایی که قبلا آموخته بودند را با هم ترکیب نمایند؛ سپس این مهارت ها را برای انجام وظایف کاملا فوتبالی ترکیب نموده و رفتار حریف را پیش بینی نمایند. در جریان بازی، این ربات ها به شیوه ای کاملا روان، وظایف مختلفی را پیاده سازی می کردند.

به لطف RL، ربات های DeepMind خیلی زود یاد گرفتند تا توانایی هایشان را در نحوه ضربه زدن و شوت زدن به توپ، مهار شوت ها و حتی دفاع از دروازه در برابر حریف با استفاده از بدن بهبود ببخشند.

• از دودکش جن تا لاماها در برف/ تصاویری که روح انسان را جلا می دهند/ عکس
• بادبان ها را بکشید؛ 1000سال دیگر به مقصد می رسیم/ فیلم

حرفه ای تر از پیش بینی ها

در جریان مسابقات یک به یک بااستفاده از ربات های آموزش دیده به وسیله Deep RL، این دو ورزشکار مکانیکی سریع تر از آنچه مهندسان مهارت های مقدماتی شان را تنظیم نموده بودند، راه می رفتند، می چرخیدند، شوت می زدند و می ایستادند. این ها اصلا پیشرفت های کوچکی نبود. ربات ها 181% سریع تر راه می رفتند. 302% سریع تر می چرخیدند، 34% سریع تر شوت می زدند و 63% به زمان کمتری برای بلند شدن بعد از زمین خوردن احتیاج داشتند. به علاوه ربات های آموزش دیده به وسیله Deep RL ، رفتارهای جدیدی را برای چرخیدن و تغییر پای شان به نمایش گذاشتند.

البته هنوز برای آنکه ربات های مجهز به DeepMind بتوانند به مسابقات RoboCup برسند، به اقدامات و کوشش های بیشتری احتیاج است. در این تست های ابتدایی، محققان تمرکزشان را بر آموزش شبیه سازی برپایه Deep RL قرار داده اند تا بعد این اطلاعات را به ربات های فیزیکی منتقل نمایند. در آینده، مهندسان قصد دارند تا هر دو آموزش تقویتی مجازی و همزمان را در ربات ها ترکیب نمایند و امیدوارند تا بتوانند تعداد این ربات های فوتبالیست را افزایش دهند که البته این به آزمایش ها و تنظیمات دقیق بیشتری احتیاج خواهد داشت.

اعضای این تیم معتقدند که با بهره گیری از روینمودهای مشابه Deep RL در فوتبال و بسیاری از کارهای دیگر، می توان پیشرفت های زیادی در حرکات و توانایی های سازگاری در زمان واقعی در ربات های دوپا ایجاد کرد. با این وجود بعید به نظر می رسد که ربات های انسان نمای DeepMind را به زودی در زمین های فوتبال با اندازه واقعی یا در بازار کار ببینیم. در عین حال با توجه به پیشرفت های مستمر این ربات ها، بد نیست که خودمان را برای رویارویی با چنین اتفاقاتی آماده کنیم.

منبع : popsci

54