Robot học và AI vật lý
Trí tuệ nhân tạo giúp đào tạo các đội robot và máy bay không người lái cộng tác
Điểm chínhHọc tăng cường phi tập trung cho phép các nhóm robot phối hợp mà không cần giao tiếp…
Xem thêm
- Học tăng cường phi tập trung cho phép các nhóm robot phối hợp mà không cần giao tiếp trực tiếp.
- Các thuật toán mới xác định đóng góp của từng tác nhân vào mục tiêu chung, như các đường kiến tạo trong bóng đá.
- Phương pháp này tỏ ra hiệu quả trong các môi trường mô phỏng khó lường như StarCraft.
Một nhóm các nhà nghiên cứu tại Đại học Illinois Grainger College of Engineering đã phát triển một phương pháp mới để đào tạo nhiều tác nhân như robot và máy bay không người lái làm việc cùng nhau với sự hỗ trợ của trí tuệ nhân tạo (AI). Các tác nhân này dựa trên học tăng cường, một trong những loại kỹ thuật học máy chính.
Kỹ thuật phân quyền
Huy Tran là một kỹ sư hàng không vũ trụ tại trường đại học.
“Nó dễ dàng hơn khi các tác nhân có thể nói chuyện với nhau,” Huy Tran nói. “Nhưng chúng tôi muốn làm điều này theo cách phân quyền, nghĩa là họ không nói chuyện với nhau. Chúng tôi cũng tập trung vào các tình huống mà không rõ ràng về các vai trò hoặc công việc khác nhau cho các tác nhân.”
Theo Tran, kịch bản này phức tạp hơn vì không rõ ràng về việc một tác nhân nên làm gì đối với một tác nhân khác.
“Câu hỏi thú vị là làm thế nào chúng ta học cách hoàn thành một nhiệm vụ cùng nhau theo thời gian,” ông nói.
Kỹ thuật học tăng cường
Đội ngũ đã dựa vào kỹ thuật học máy gọi là học tăng cường để giải quyết vấn đề này. Nó cho phép họ tạo ra một hàm lợi ích cho biết tác nhân khi nào đang làm điều gì hữu ích cho đội.
“Với các mục tiêu của đội, khó để biết ai đóng góp cho chiến thắng,” Tran tiếp tục. “Chúng tôi đã phát triển một kỹ thuật học máy cho phép chúng tôi xác định khi một tác nhân cá nhân đóng góp cho mục tiêu chung của toàn đội. Nếu bạn xem xét nó theo nghĩa bóng đá, một cầu thủ bóng đá có thể ghi bàn, nhưng chúng tôi cũng muốn biết về các hành động của các đồng đội khác dẫn đến bàn thắng, như các đường chuyền. Nó khó để hiểu các hiệu ứng bị trì hoãn này.”
Các thuật toán của các nhà nghiên cứu cũng xác định khi một tác nhân hoặc robot đang làm điều gì đó đi ngược lại hoặc không đóng góp cho mục tiêu.
“Nó không phải là robot chọn làm điều gì đó sai, chỉ là điều gì đó không hữu ích cho mục tiêu cuối cùng,” ông nói.
Các thuật toán đã được thử nghiệm bằng cách sử dụng các trò chơi mô phỏng, chẳng hạn như StarCraft.
“StarCraft có thể hơi khó đoán hơn – chúng tôi rất vui khi thấy phương pháp của chúng tôi hoạt động tốt trong môi trường này.”
Loại thuật toán này có thể áp dụng cho nhiều tình huống thực tế, theo đội ngũ. Một số ứng dụng tiềm năng bao gồm giám sát quân sự, robot trong kho hàng, điều khiển tín hiệu giao thông, phương tiện tự động phối hợp giao hàng và điều khiển lưới điện.
Đội ngũ thực hiện nghiên cứu đột phá này bao gồm Seung Hyun Kim, Neale Van Stralen và Girish Chowdhary. Nó được trình bày tại hội nghị có phản biện khoa học Autonomous Agents and Multi-Agent Systems.












