Sztuczna inteligencja pomaga w szkoleniu zespołów współpracujących robotów i dronów

Zespół badaczy z University of Illinois Grainger College of Engineering opracował nową metodę szkolenia wielu agentów, takich jak roboty i drony, do współpracy ze sobą przy użyciu sztucznej inteligencji (AI). Agenci opierają się na uczeniu wzmacnianym, które jest jednym z głównych typów technik maszynowego uczenia się.

Decentralized Technique

Huy Tran jest inżynierem lotniczym na uniwersytecie.

“Łatwiej jest, gdy agenci mogą ze sobą rozmawiać”, powiedział Huy Tran. “Ale chcieliśmy to zrobić w sposób zdecentralizowany, co oznacza, że nie rozmawiają ze sobą. Skoncentrowaliśmy się również na cytatach, gdzie nie jest oczywiste, jakie różne role lub zadania powinny mieć agenci.”

Według Tran, ten scenariusz jest bardziej złożony, ponieważ nie jest jasne, co jeden agent powinien zrobić przeciwko innemu agentowi.

“Interesujące pytanie brzmi, jak uczymy się osiągać cel razem w czasie”, powiedział.

Reinforcement Learning Technique

Zespół opierał się na technice maszynowego uczenia się zwanej uczeniem wzmacnianym, aby rozwiązać ten problem. Umożliwiło im to stworzenie funkcji użyteczności, która informuje agenta, kiedy wykonuje coś użytecznego dla zespołu.

“Z celami zespołu jest trudno wiedzieć, kto przyczynił się do zwycięstwa”, kontynuował Tran. “Rozwinęliśmy technikę maszynowego uczenia się, która pozwala nam identyfikować, kiedy indywidualny agent przyczynił się do globalnego celu zespołu. Jeśli spojrzymy na to w kategoriach sportu, jeden piłkarz może strzelić bramkę, ale chcemy również wiedzieć o działaniach innych członków zespołu, które doprowadziły do bramki, takich jak asysty. Trudno zrozumieć te opóźnione efekty.”

Algoritmy badaczy identyfikują również, kiedy agent lub robot wykonuje coś, co jest przeciwne lub nie przyczynia się do celu.

“To nie oznacza, że robot zdecydował się zrobić coś złego, tylko coś, co nie jest użyteczne dla końcowego celu”, powiedział.

Algoritmy zostały przetestowane przy użyciu symulowanych gier, takich jak StarCraft.

“StarCraft może być trochę bardziej nieprzewidywalny – byliśmy podekscytowani, widząc, że nasza metoda działa dobrze w tym środowisku.”

Ten typ algorytmu jest stosowany w różnych sytuacjach w świecie rzeczywistym, twierdzi zespół. Niektóre z potencjalnych zastosowań obejmują nadzór wojskowy, roboty w magazynie, kontrolę sygnalizacji ruchu, autonomiczne pojazdy koordynujące dostawy oraz kontrolę sieci elektroenergetycznej.

Zespół, który przeprowadził to przełomowe badanie, składał się z Seung Hyun Kim, Neale Van Stralen i Girish Chowdhary. Zostało ono przedstawione na konferencji Autonomous Agents and Multi-Agent Systems.