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; }
![La navegación interactiva requiere que un robot alcance una ubicación objetivo mientras interactúa con obstáculos en el camino, lo cual ha demostrado ser lo más difícil de aprender para los robots. ¶ Crédito: Georgia Tech Research](https://cacm.acm.org/system/assets/0004/6226/082923_Georgia_Tech_Research_interactive_reach.large.jpg?1693324781&1693324781)
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!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Validación de datos para aplicaciones de PySpark utilizando Pandera
- OpenAI revela ChatGPT Enterprise con el poder de GPT-4
- Investigadores de S-Lab y NTU proponen Scenimefy un nuevo marco de traducción de imagen a imagen semi-supervisado que cierra la brecha en la representación automática de escenas de anime de alta calidad a partir de imágenes del mundo real.
- Dentro de Code Llama La entrada de Meta AI en el espacio de Code LLM
- C++ feat. Python Conecta, Incrusta, Instala con Facilidad
- Cómo 3 organizaciones de atención médica están utilizando la inteligencia artificial generativa
- Inferencia ¿El futuro liderado por IA de la observabilidad?