「フレームワークによりロボットは連続した順序で対話的なタスクを実行できる」

フレームワークによりロボットはタスクを実行できる

.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_de { background: url(../images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(../images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }

インタラクティブナビゲーションは、ロボットが目標地点に到達するために途中の障害物と対話しながら進む必要があるため、学習が最も困難なタスクとされています。 ¶ クレジット:ジョージア工科大学研究

ジョージア工科大学の博士課程の学生であるNiranjan Kumarが開発したフレームワークにより、四足歩行ロボットはモーションを再学習することなく、徐々に複雑なタスクを実行することができます。

カスケードコンポジショナルリジドラーニング(CCRL)フレームワークは、ロボットが学習する新しいスキルごとに追加され、より複雑なスキルを達成するためにアクセスされます。

このフレームワークは、ロボットがエネルギーを伝達して重いドアを開くことを示すためにデモンストレーションされました。

現在、ロボットはCCRLを使用して10のスキルを学習および展開することができます。

Kumar氏は、「スキルを追加するたびにトレーニングにはより長い時間がかかります。なぜなら、ポリシーはこれらのスキルをさまざまな状況でどのように組み込むかを理解する必要があるからです。しかし理論的には、十分なパワフルなコンピュータを持っていれば、スキルを無制限に追加することができます」と述べました。ジョージア工科大学からの記事を参照してください。

抄録の著作権は2023年、SmithBucklin、ワシントンD.C.、アメリカに帰属します

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

人工知能

3日間でAIアプリを作成しました

ChatGPTに感銘を受けた後、ユーザーのスキルを求人要件にマッチさせて、カスタマイズされた適切な応募書類を自動化する革新的...

AI研究

カルテックとETHチューリッヒの研究者が画期的な拡散モデルを導入:最先端のビジュアルタスクと異なるドメインへの適応を実現するためのテキストキャプションの活用

拡散モデルは、テキストから画像の生成を革新し、古典的な機械学習のタスクにおいて新たな可能性を解き放っています。しかし...

AI研究

「Google DeepMindの研究者たちは、PROmptingによる最適化(OPRO)を提案する:大規模言語モデルを最適化器として」

人工知能の分野では、自然言語処理、自然言語生成、自然言語理解、およびコンピュータビジョンなどのサブフィールドがますま...

機械学習

チューリングテスト、中国の部屋、そして大規模言語モデル

チューリングテストは、AIの分野での古典的なアイデアですもともとは模倣ゲームと呼ばれ、アラン・チューリングは1950年に自...

人工知能

「AIシステムの賢さをどのように知るのか?」

「AIの伝統として、人間の知能を評価するためにシステムにテストを行うことがありますが、GPT-4の人間レベルの知能の証拠とし...

AI研究

希望、恐怖、そしてAI:AIツールに対する消費者の態度に関する最新の調査結果

米国の消費者が人工知能(AI)に関する意見と認識について述べた最新の「Trust Survey」の結果を明らかにしたThe Vergeの報告...