AI Membantu Melatih Tim Robot dan Drone Kolaboratif

Tim peneliti di University of Illinois Grainger College of Engineering telah mengembangkan metode baru untuk melatih beberapa agen seperti robot dan drone untuk bekerja sama dengan menggunakan kecerdasan buatan (AI). Agen-agen tersebut bergantung pada pembelajaran penguatan, yang merupakan salah satu jenis teknik pembelajaran mesin.

Teknik Desentralisasi

Huy Tran adalah insinyur aerospace di universitas tersebut.

“Lebih mudah ketika agen dapat berbicara satu sama lain,” kata Huy Tran. “Tapi kami ingin melakukan ini dengan cara yang desentralisasi, artinya mereka tidak berbicara satu sama lain. Kami juga fokus pada kutipan di mana tidak jelas apa peran atau pekerjaan yang berbeda untuk agen-agen tersebut.”

Menurut Tran, skenario ini lebih kompleks karena tidak jelas apa yang harus dilakukan oleh satu agen terhadap agen lain.

“Pertanyaan yang menarik adalah bagaimana kita belajar untuk mencapai tujuan bersama dalam waktu,” katanya.

Teknik Pembelajaran Penguatan

Tim tersebut bergantung pada teknik pembelajaran mesin yang disebut pembelajaran penguatan untuk mengatasi masalah ini. Ini memungkinkan mereka untuk membuat fungsi utilitas yang memberitahu agen ketika mereka melakukan sesuatu yang berguna untuk tim.

“Dengan tujuan tim, sulit untuk mengetahui siapa yang berkontribusi pada kemenangan,” lanjut Tran. “Kami mengembangkan teknik pembelajaran mesin yang memungkinkan kami untuk mengidentifikasi ketika agen individu berkontribusi pada tujuan tim global. Jika Anda melihatnya dalam istilah olahraga, satu pemain sepak bola mungkin mencetak gol, tetapi kami juga ingin tahu tentang tindakan oleh rekan tim lain yang menyebabkan gol, seperti assist. Sulit untuk memahami efek yang tertunda ini.”

Algoritma peneliti juga mengidentifikasi ketika agen atau robot melakukan sesuatu yang bertentangan dengan, atau tidak berkontribusi pada tujuan.

“Bukan berarti robot memilih untuk melakukan sesuatu yang salah, hanya sesuatu yang tidak berguna untuk tujuan akhir,” katanya.

Algoritma tersebut diuji menggunakan permainan simulasi, seperti StarCraft.

“StarCraft dapat sedikit lebih tidak terduga — kami senang melihat metode kami bekerja dengan baik dalam lingkungan ini juga.”

Jenis algoritma ini dapat diterapkan pada berbagai situasi dunia nyata, kata tim. Beberapa contoh aplikasi potensial termasuk pengawasan militer, robot di gudang, pengendalian sinyal lalu lintas, kendaraan otonom yang mengkoordinasikan pengiriman, dan mengendalikan jaringan listrik.

Tim yang melakukan penelitian ini termasuk Seung Hyun Kim, Neale Van Stralen, dan Girish Chowdhary. Ini dipresentasikan pada konferensi peer-review Autonomous Agents and Multi-Agent Systems.