AI hjelper med å trene lag av samarbeidende roboter og droner

Et team av forskere ved University of Illinois Grainger College of Engineering har utviklet en ny metode for å trene flere agenter, som roboter og droner, til å arbeide sammen med hjelp av kunstig intelligens (AI). Agentene baserer seg på forsterkingslæring, som er en av de viktigste typene maskinlærings-teknikker.

Desentralisert teknikk

Huy Tran er en romfartingeniør ved universitetet.

“Det er enklere når agenter kan snakke med hverandre,” sa Huy Tran. “Men vi ønsket å gjøre dette på en desentralisert måte, det vil si at de ikke snakker med hverandre. Vi fokuserte også på sitater der det ikke er åpenbart hva de forskjellige rollene eller jobbene for agentene skal være.”

Ifølge Tran er denne scenarioen mer kompleks fordi det ikke er klart hva en agent skal gjøre mot en annen agent.

“Den interessante spørsmålet er hvordan vi lærer å utføre en oppgave sammen over tid,” sa han.

Forsterkingslærings-teknikk

Teamet baserte seg på maskinlærings-teknikken kalt forsterkingslæring for å komme rundt dette problemet. Det ermögilte dem å opprette en nyttefunksjon som forteller agenten når den gjør noe nyttig for laget.

“Med lagsmål er det vanskelig å vite hvem bidro til seieren,” fortsatte Tran. “Vi utviklet en maskinlærings-teknikk som lar oss identifisere når en enkelt agent bidro til det globale lagsmålet. Hvis du ser på det i sammenheng med idrett, kan en fotballspiller score, men vi ønsker også å vite om handlinger fra andre lagkamerater som ledet til målet, som assists. Det er vanskelig å forstå disse forsinkede effektene.”

Forskerne sine algoritmer identifiserer også når en agent eller robot gjør noe som går mot, eller ikke bidrar til målet.

“Det er ikke så mye at roboten valgte å gjøre noe galt, bare noe som ikke er nyttig for sluttmålet,” sa han.

Algoritmene ble testet ved hjelp av simulerings-spill, som StarCraft.

“StarCraft kan være litt mer uforutsigbar — vi var spente på å se vår metode fungere bra i denne omgangen også.”

Denne type algoritme er anvendbar i forskjellige virkelige situasjoner, sier teamet. Noen av de potensielle anvendelsene inkluderer militær overvåking, roboter i et lager, trafikklys-kontroll, autonome kjøretøy som koordinerer leveranser og kontrollerer et elektrisk kraftnett.

Teamet som utførte denne gjennombruddsforskningen inkluderte Seung Hyun Kim, Neale Van Stralen og Girish Chowdhary. Det ble presentert på Autonomous Agents and Multi-Agent Systems peer-reviewed konferansen.