Editor Downcodes mengetahui bahwa tim peneliti Sergey Levine di Laboratorium BAIR di Universitas California, Berkeley, berhasil mengembangkan kerangka pembelajaran penguatan yang disebut HIL-SERL, yang bertujuan untuk menerobos hambatan robot yang mempelajari keterampilan pengoperasian yang kompleks, terutama di dunia nyata. -lingkungan dunia. Teknologi ini menggabungkan demonstrasi dan koreksi manusia, serta menerapkan algoritme pembelajaran penguatan yang efisien, memungkinkan robot menguasai berbagai operasi presisi dalam waktu yang sangat singkat, meningkatkan efisiensi secara signifikan, dan memberikan arah baru bagi pengembangan bidang robotika di masa depan.
Teknologi baru ini menggabungkan demonstrasi dan koreksi manusia dengan algoritme pembelajaran penguatan yang efisien, memungkinkan robot menguasai berbagai tugas pengoperasian yang presisi dan ketangkasan, seperti manipulasi dinamis, perakitan presisi, dan kolaborasi dua lengan, hanya dalam 1 hingga 2,5 jam.
Dulu, sulit bagi robot untuk mempelajari keterampilan baru, seperti mengajari anak nakal menulis pekerjaan rumah. Itu harus diajarkan selangkah demi selangkah dan dikoreksi berulang kali. Yang lebih merepotkan lagi adalah di dunia nyata, berbagai situasi bersifat kompleks dan dapat berubah, dan robot sering kali belajar dengan lambat, cepat lupa, dan terguling secara tidak sengaja.
Setelah serangkaian percobaan, efek HIL-SERL sungguh menakjubkan. Dalam berbagai tugas, robot telah mencapai tingkat keberhasilan hampir 100% hanya dalam 1 hingga 2,5 jam, dan kecepatan pengoperasiannya hampir 2 kali lebih cepat dari sebelumnya.
Lebih penting lagi, HIL-SERL adalah sistem pertama yang menggunakan pembelajaran penguatan untuk mencapai koordinasi dua lengan berdasarkan masukan gambar di dunia nyata, yang memungkinkan dua lengan robot bekerja sama untuk menyelesaikan tugas yang lebih kompleks, Misalnya, merakit timing belt adalah operasi yang memerlukan koordinasi tingkat tinggi.
Kemunculan HIL-SERL tidak hanya memungkinkan kita melihat potensi besar pembelajaran robot, namun juga menunjukkan arah penerapan dan penelitian industri di masa depan. Mungkin, di masa depan, kita masing-masing akan memiliki robot "magang" di rumah, membantu kita mengerjakan pekerjaan rumah, merakit furnitur, dan bahkan bermain-main bersama kita.
Tentu saja HIL-SERL juga memiliki beberapa keterbatasan. Misalnya, perusahaan mungkin tidak mampu menangani tugas-tugas yang memerlukan perencanaan jangka panjang. Selain itu, HIL-SERL saat ini sebagian besar diuji di lingkungan laboratorium dan belum diverifikasi dalam skenario dunia nyata berskala besar. Namun, saya yakin dengan kemajuan teknologi, permasalahan tersebut lambat laun akan teratasi.
Alamat kertas: https://hil-serl.github.io/static/hil-serl-paper.pdf
Alamat proyek: https://hil-serl.github.io/
Kemajuan terobosan kerangka HIL-SERL telah membawa harapan baru bagi perkembangan teknologi robotika, dan prospek penerapannya di dunia nyata sangat luas. Meskipun saat ini masih terdapat beberapa keterbatasan, kami yakin bahwa dengan penelitian dan penyempurnaan yang berkelanjutan, HIL-SERL akan memainkan peran yang lebih besar di masa depan dan memberikan lebih banyak kemudahan bagi kehidupan masyarakat.