Sara Smolović
Veštačka inteligencija kompanije Google pokazala je značajan napredak u obuci dvnonožnih humanoidnih robota u dinamičkim, fizičkim zadacima, što se vidi i iz najnovijeg fudbalskog eksperimenta. Naime, Google AI DeepMind je uspeo da nauči male, dvnonožne robote da igraju fudbal, u naravno, mnogo pojednostavljenijoj verziji ovog sporta.
U nedavnoj publikaciji u časopisu Science Robotics, istraživači detaljno opisuju svoj inovativni pristup, koristeći tzv. duboko pojačano mašinsko učenje (deep RL) kako bi naučili robote da igraju, ako ne i najpopularniji, sport na svetu.
Uspeh Google AI DeepMind okvira dubokog učenja u savladavanju igara poput šaha i drugih logičkih igara već je dobro dokumentovan. Međutim, ovi uspesi su se pretežno odnosili na strateško razmišljanje, a ne na fizičku koordinaciju. Adaptacijom dubokog mašinskog učenja na robote koji igraju fudbal, DeepMind pokazuje svoju sposobnost da efikasno rešava kompleksne fizičke izazove.
Inženjeri su prvobitno trenirali robote u računarskim simulacijama, fokusirajući se na dva ključna skupa veština: ustajanje sa zemlje i postizanje golova. Spajanjem ovih veština i uvođenjem simuliranih mečeva, roboti su naučili da igraju kompletne jedan-na-jedan fudbalske utakmice. Kroz treniranje, postepeno su poboljšavali svoje sposobnosti, uključujući šutiranje, odbranu i reagovanje na akcije protivnika.
Tokom testova, roboti trenirani kroz „deep RL“ pokazali su izuzetnu agilnost i efikasnost u poređenju sa neprilagodljivim skriptovanim pandanima. Pokazali su ponašanje poput okretanja i rotiranja, što je teško unapred programirati.
Međutim, ovi testovi su se oslanjali isključivo na simulaciono treniranje, a budući napori imaju za cilj da integrišu trening u realnom vremenu kako bi se dodatno poboljšala prilagodljivost robota. Iako tehnologija pokazuje potencijal, još uvek postoje prepreke koje treba prevazići pre nego što DeepMind roboti mogu da se takmiče na događajima kao što je RoboCup.
Povećanje robota i usavršavanje njihovih sposobnosti zahtevaće obimna ispitivanja i usavršavanje. Ipak, pionirski DeepMind rad naglašava potencijal dubokog učenja u poboljšanju pokreta i prilagodljivosti dvonožnih robota u realnim scenarijima.
