Inteligência Artificial Ajuda a Treinar Equipes de Robôs e Drones Colaborativos

Uma equipe de pesquisadores da Universidade de Illinois, Grainger College of Engineering, desenvolveu um novo método para treinar vários agentes, como robôs e drones, para trabalhar juntos com o uso de inteligência artificial (IA). Os agentes dependem do aprendizado por reforço, que é um dos principais tipos de técnicas de aprendizado de máquina.

Técnica Descentralizada

Huy Tran é um engenheiro aeroespacial da universidade.

“É mais fácil quando os agentes podem se comunicar entre si”, disse Huy Tran. “Mas queríamos fazer isso de uma maneira descentralizada, ou seja, que eles não se comuniquem entre si. Também nos concentramos em citações onde não é óbvio quais são os diferentes papéis ou tarefas para os agentes.”

De acordo com Tran, esse cenário é mais complexo porque não é claro o que um agente deve fazer contra outro agente.

“A pergunta interessante é como aprendemos a realizar uma tarefa juntos ao longo do tempo”, disse ele.

Técnica de Aprendizado por Reforço

A equipe dependeu da técnica de aprendizado de máquina chamada aprendizado por reforço para contornar esse problema. Isso permitiu que eles criassem uma função de utilidade que informa ao agente quando ele está fazendo algo útil para a equipe.

“Com objetivos de equipe, é difícil saber quem contribuiu para a vitória”, continuou Tran. “Desenvolvemos uma técnica de aprendizado de máquina que nos permite identificar quando um agente individual contribuiu para o objetivo global da equipe. Se você olhar para isso em termos de esportes, um jogador de futebol pode marcar, mas também queremos saber sobre ações de outros companheiros de equipe que levaram ao gol, como assistências. É difícil entender esses efeitos atrasados.”

Os algoritmos dos pesquisadores também identificam quando um agente ou robô está fazendo algo que vai contra, ou não contribui para o objetivo.

“Não é que o robô escolheu fazer algo errado, apenas algo que não é útil para o objetivo final”, disse ele.

Os algoritmos foram testados usando jogos simulados, como StarCraft.

“StarCraft pode ser um pouco mais imprevisível – estávamos ansiosos para ver nosso método funcionar bem nesse ambiente também.”

Esse tipo de algoritmo é aplicável a várias situações do mundo real, afirma a equipe. Algumas das aplicações potenciais incluem vigilância militar, robôs em um armazém, controle de tráfego, veículos autônomos coordenando entregas e controle de uma rede de energia elétrica.

A equipe que realizou essa pesquisa inovadora incluiu Seung Hyun Kim, Neale Van Stralen e Girish Chowdhary. Foi apresentada na conferência peer-reviewed Autonomous Agents and Multi-Agent Systems.