Il framework consente ai robot di eseguire attività interattive in ordine sequenziale

Il framework permette ai robot di eseguire attività interattive in sequenza.

.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_de { background: url(../images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(../images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }

La navigazione interattiva richiede a un robot di raggiungere una posizione obiettivo interagendo con gli ostacoli lungo il percorso, che si è dimostrato il più difficile da apprendere per i robot. ¶ Credit: Georgia Tech Research

Un framework sviluppato dallo studente di dottorato del Georgia Institute of Technology, Niranjan Kumar, consente ai robot quadrupedi di eseguire compiti che diventano progressivamente più complessi senza dover riapprendere i movimenti.

Il framework di Apprendimento Residuo Composito a Cascata (CCRL) funge da libreria in cui ogni nuova abilità appresa dal robot viene aggiunta e quindi utilizzata per acquisire abilità più complesse.

Il framework è stato dimostrato da un robot che utilizza il trasferimento di energia per aprire una porta pesante.

Attualmente, un robot può apprendere e utilizzare 10 abilità utilizzando il CCRL.

Kumar ha dichiarato: “Ci vuole solo più tempo per addestrarsi man mano che si aggiungono altre abilità, perché ora la politica deve anche capire come incorporare tutte queste abilità in diverse situazioni. Ma teoricamente, puoi continuare ad aggiungere altre abilità all’infinito finché hai un computer abbastanza potente per eseguire le politiche”. Da Georgia Institute of Technology Visualizza articolo completo

Abstracts Copyright © 2023 SmithBucklin, Washington, D.C., USA