Framework Permite a los Robots Realizar Tareas Interactivas en Orden Secuencial

Framework para tareas secuenciales en robots

.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; }

Un marco desarrollado por Niranjan Kumar, estudiante de doctorado del Instituto de Tecnología de Georgia, permite a los robots cuadrúpedos realizar tareas que se vuelven progresivamente más complejas sin tener que volver a aprender movimientos.

El marco de Aprendizaje Residual Composicional Cascado (CCRL) actúa como una biblioteca donde cada nueva habilidad aprendida por el robot se agrega y luego se accede para lograr habilidades más complejas.

El marco fue demostrado por un robot que utiliza transferencia de energía para abrir una puerta pesada.

• Estos ingeniosos drones pueden unirse en el aire para formar un robot más grande y fuerte
• Guía para principiantes sobre el ajuste fino de modelos de lenguaje grandes (LLMs)
• Intérprete de código ChatGPT en Aprendizaje Automático ¿Es efectivo?

Actualmente, un robot puede aprender y desplegar 10 habilidades utilizando el CCRL.

Kumar dijo: “Solo lleva más tiempo entrenar a medida que se van agregando más habilidades, porque ahora la política también tiene que descubrir cómo incorporar todas estas habilidades en diferentes situaciones. Pero teóricamente, puedes seguir agregando más habilidades indefinidamente siempre que tengas un ordenador lo suficientemente potente para ejecutar las políticas”. Desde el Instituto de Tecnología de Georgia Ver artículo completo

Derechos de autor de los resúmenes © 2023 SmithBucklin , Washington, D.C., EE. UU.

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