Cấu trúc học sâu tăng cường kết hợp kỹ năng đã học trước giúp nhanh chóng tạo ra các bộ kỹ năng mới cho robot

Nhóm nghiên cứu nhận thấy việc kết hợp một số DNN phát triển cho các nhiệm vụ khác nhau có thể tạo ra một hệ thống mới có các chức năng tổng hợp từ tất cả các DNN cấu thành của nó, gọi là kiến ​​trúc học tập đa chuyên gia (MELA).

Trong quá trình đào tạo, MELA được khởi tạo với một nhóm các kỹ năng có DNN riêng biệt đã được đào tạo trước đó. Sau đó, các nhà khoa học sử dụng mạng nơ-ron gating (GNN) để kết hợp các DNN, tạo ra các kỹ năng chuyển tiếp trên các chế độ vận động khác nhau. Tiếp đến, MELA liên tục kết hợp nhiều DNN và tổng hợp thành một DNN mới để đáp ứng với các tình huống thay đổi. Cách tiếp cận này tận dụng lợi thế của các kỹ năng được đào tạo trước và tổng hợp nhanh các hành vi thích ứng, tạo ra các chức năng vận động mới, đáp ứng quá trình thay đổi nhiệm vụ.

Bên cạnh đó, MELA đã học thêm các kỹ năng mới chưa từng được dạy (từ các bộ phận cấu thành), kết hợp thông qua quá trình thử và lỗi. Chẳng hạn, nó đã học được cách đứng dậy sau khi ngã với việc xử lý sàn trơn trượt, hoặc cần phải làm gì, nếu một trong các động cơ của nó bị hỏng.

Bằng cách sử dụng một khung MELA thống nhất, nhóm nghiên cứu đã thử nghiệm thành công nhiệm vụ đa kỹ năng trên một robot bốn chân, với các chức năng: tự động chạy nước kiệu, chuyển hướng và ngã. Việc này cho thấy hành vi học hỏi đa kỹ năng có thể thích ứng với cả các tình huống không thấy trước.

Theo các nhà nghiên cứu, công trình này đánh dấu một cột mốc mới trong nghiên cứu robot, tạo ra mô hình mới mà con người không phải can thiệp, khi robot gặp các vấn đề mà nó chưa từng trải qua.

Nghiên cứu được đăng trên tạp chí Science Robotics.

 Diệu Huyền (CESTI) - Theo Techxplore.com