Un robot a învățat să deschidă ușile folosind o nouă metodă care reduce timpul și efortul necesar pentru a-l antrena.
Roboții sunt adesea controlați de un model de învățare profundă, care este antrenat prin mii de încercări de tip „trial-and-error” pentru a finaliza sarcina. În schimb, Hiroshi Ito și colegii acestuia din cadrul Universității Waseda, Tokyo, au împărțit modelul în 3 module: unul pentru controlarea robotului în timp ce acesta se apropia de ușă, altul pentru a prelua controlul atunci când acesta deschide ușa și un al treilea pentru a-l ajuta să treacă pragul. Pentru fiecare sarcină, robotul a avut un modul pentru ușile care se deschid prin tragere și unul pentru ușile care se deschid prin împingere.
Robotul a fost supus la o sesiune de instruire de 6 ore pentru fiecare dintre cele șase module. De asemenea, acestuia i s-a arătat de 108 ori modul în care oamenii îndeplinesc sarcina. Aceste perioade de instruire au fost mai mici decât în mod normal deoarece fiecare modul a fost instruit pe o sarcină mai mică și mai simplă. Ito a declarat faptul că o problemă similară studiată de cercetătorii din cadrul companiei Google a necesitat două luni de pregătire, timp în care au fost folosiți 14 roboți în paralel.
După antrenament, robotul și-a îndeplinit sarcina în 96% din încercări. În cadrul unui test, acesta a trecut pragul înainte și înapoi timp de 30 de minute, completând 15 călătorii dus-întors.
Robotul rulează continuu toate modulele sale. Fiecare sugerează ce ar trebui să facă în continuare, iar un „selector de operațiuni” alege acțiunea cea mai potrivită pentru fiecare situație și trece de la un modul la altul după caz. Echipa este de părere că acest lucru ar putea crește adaptabilitatea, deoarece, în loc să antreneze un întreg model pentru a lucra cu un nou tip de ușă, ar putea fi introdus un modul pentru deschiderea acelei uși.
Sethu Vijayakumar din cadrul Universității din Edinburgh, Marea Britanie, a declarat faptul că deși abordarea este interesantă, modulele separate sunt limitate în ceea ce privește capacitatea de învățare, iar un model mai amplu poate învăța trucuri suplimentare, care îi pot îmbunătăți performanța. De exemplu, un singur model ar putea observa detalii importante despre mânerul ușii pe măsură ce se apropie de el, în timp ce un singur modul care încearcă să deschidă ușa odată ce robotul a ajuns în poziția corectă nu ar putea observa aceste detalii.
