En ny studie tyder på att Googles DeepMind-programvara kan styra en robotarm för att besegra en människa i bordtennis, men bara mot genomsnittliga bordtennisspelare i vissa fall; dess effektivitet mot toppspelare i världen är inte garanterad.
Robotar kan slå människor i bordtennismatcher.
TPO - Googles DeepMind-teknik har använts för att träna en robotarm att spela bordtennis, och den har kunnat besegra människor.
För närvarande finns det robotar som kan laga mat, städa och utföra akrobatik, men de kämpar fortfarande med snabba svarsförmågor i verkligheten. "Att uppnå prestanda på mänsklig nivå vad gäller noggrannhet, hastighet och generalitet är fortfarande en stor utmaning inom många områden", skrev forskarna i sin studie.
För att övervinna denna begränsning kombinerade forskare en industriell robotarm med en anpassad version av DeepMinds kraftfulla algoritm. DeepMind använder neurala nätverk, en flerskiktad arkitektur som härmar hur information bearbetas i den mänskliga hjärnan. Hittills har roboten kunnat slå världens bästa Go-spelare och lösa problem som har stått sig i årtionden och framöver.
Allt eftersom AI:n lär sig att serva med sin forehand eller använda vänsterhänt målinriktning i komplexa algoritmer, samlar forskare också in data om dess styrkor, svagheter och begränsningar. De matar sedan tillbaka denna information till AI-programmet, vilket ger DeepMind en realistisk bedömning av robotens förmågor. Systemet väljer sedan vilka färdigheter eller strategier som ska användas, ungefär som en mänsklig bordtennisspelare skulle kunna göra.
Sedan lät de den AI-styrda roboten tävla mot 29 personer. DeepMinds robot besegrade alla nybörjare och cirka 55 % av de mellanliggande spelarna, men blev slagen av de avancerade spelarna. I det internationella rankingsystemet anses roboten fortfarande vara en amatörspelare.
Forskarna skrev i studien att spelarna, oavsett kompetens och vinstprocent, var överens om att det var roligt och engagerande att spela mot robotar.
Forskare säger att den här nya metoden kan vara användbar för en mängd olika tillämpningar som kräver snabb respons i dynamiska fysiska miljöer.
Ha Thu
Enligt Live Science








Kommentar (0)