탁구 마니아가 로봇과 대결하게 놔두세요. 로봇의 발전 추세를 보면 누가 이기고 누가 질지 말하기가 정말 어렵습니다.
이 로봇은 민첩한 기동성, 유연한 다리 움직임, 뛰어난 잡는 능력을 갖추고 있으며... 다양한 도전적인 작업에 널리 사용되었습니다. 그러면 로봇은 인간과 긴밀한 상호 작용이 필요한 작업을 어떻게 수행합니까? 탁구를 예로 들자면 양측의 높은 수준의 협력이 필요하며 공이 매우 빠르게 움직이기 때문에 알고리즘에 큰 문제가 됩니다.
탁구에서는 속도와 정확성이 최우선이므로 학습 알고리즘에 대한 요구가 높습니다. 동시에 이 스포츠는 고도로 구조화된(고정되고 예측 가능한 환경) 및 다중 에이전트 협업(로봇이 인간 또는 다른 로봇과 싸울 수 있음)이라는 두 가지 주요 특징을 가지고 있어 인간과 컴퓨터의 상호 작용을 연구하고 강화 학습. 문제에 대한 이상적인 실험 플랫폼입니다.
Google의 로봇 공학 연구팀은 다중 사용자, 동적 및 대화형 환경에서 학습하는 로봇이 직면하는 문제를 연구하기 위해 이러한 플랫폼을 구축했습니다. Google은 또한 이러한 목적으로 그들이 연구하고 있는 두 가지 프로젝트인 Iterative-Sim2Real(i-S2R)과 GoalsEye를 소개하기 위해 특별한 블로그를 작성했습니다. i-S2R을 사용하면 봇이 인간 플레이어와 300개 이상의 경기를 치를 수 있었고, GoalsEye를 사용하면 봇이 아마추어로부터 몇 가지 유용한 전략(목표 조건 전략)을 배울 수 있었습니다.
i-S2R 전략을 사용하면 로봇이 인간과 싸울 수 있습니다. 로봇의 자세가 그다지 전문적이지는 않지만 공을 놓치지 않습니다. 즉, 고품질의 공을 플레이하는 것과 같은 느낌이 듭니다.
GoalsEye 전략은 마치 가리키는 곳을 치는 것처럼 테이블 위의 지정된 위치로 공을 되돌릴 수 있습니다.
i-S2R: 시뮬레이터를 사용하여 인간과 협력하여 게임을 플레이합니다.
이 프로젝트에서 로봇은 인간과 협력하는 방법, 즉 가능한 한 오랫동안 인간과 스파링하는 방법을 배우도록 설계되었습니다. 인간 플레이어를 상대로 직접 훈련하는 것은 지루하고 시간이 많이 걸리기 때문에 Google은 시뮬레이션 기반 접근 방식을 채택했습니다. 그러나 이는 시뮬레이션 기반 방법으로 인간 행동, 폐쇄 루프 상호 작용 작업 등을 정확하게 시뮬레이션하는 것이 어렵다는 새로운 문제에 직면합니다.Google은 i-S2R에서 인간-컴퓨터 상호 작용 작업에서 인간 행동을 학습할 수 있는 모델을 제안하고 이를 로봇 탁구 플랫폼에서 인스턴스화했습니다. Google은 아마추어 인간 선수들과 함께 최대 340개의 타구를 던질 수 있는 시스템을 구축했습니다(아래 참조).
인간과 로봇이 4분 동안 최대 340회 왕복 싸움을 펼칩니다.
로봇이 인간 행동을 정확하게 학습하도록 하는 것도 다음과 같은 문제에 직면합니다. 처음에는 충분하지 않습니다. 인간이 봇과 상호 작용하는 방식에 대한 고품질 데이터를 수집하지 않으면 좋은 봇 전략을 달성할 수 없습니다. 그러나 인간 행동 모델이 없으면 로봇 전략을 처음부터 얻을 수 없습니다. 이 문제는 닭이 먼저냐 달걀이 먼저냐 하는 것처럼 다소 복잡합니다. 한 가지 접근 방식은 실제 세계에서 직접 로봇 정책을 교육하는 것이지만 이는 느리고 비용이 많이 들며 인간이 개입할 때 더욱 악화되는 안전 관련 문제를 야기합니다.
아래 그림과 같이 i-S2R은 간단한 인간 행동 모델을 대략적인 시작점으로 사용하고 시뮬레이션 훈련과 실제 배포를 번갈아 수행합니다. 각 반복에서 인간 행동 모델과 전략이 적용됩니다.
i-S2R 방법
Google은 플레이어 유형에 따라 실험 결과를 초급(플레이어의 40%), 중급(플레이어의 40%), 고급(플레이어의 20%)으로 분류합니다. . 실험 결과에 따르면 i-S2R은 초보자와 중급 플레이어(플레이어의 80%) 모두에게 S2R+FT(시뮬레이션-실제 + 미세 조정)보다 훨씬 더 나은 성능을 발휘합니다.
플레이어 유형별 i-S2R 결과
GoalsEye: 원하는 위치에 정확하게 타격
GoalsEye에서 Google은 사용된 행동 복제 기술을 결합하여 정확한 타겟팅을 학습하는 방법도 시연했습니다. 전략.
여기서 Google은 탁구의 정확성에 중점을 둡니다. 아래 그림과 같이 로봇이 테이블 위의 지정된 위치로 공을 정확하게 되돌릴 수 있기를 바랍니다. 다음과 같은 효과를 얻기 위해 LFP(Learning from Play)와 GCSL(Goal-Conditioned Supervised Learning)도 사용했습니다.
GoalsEye 전략은 직경 20cm의 원을 대상으로 합니다(왼쪽). 인간 플레이어는 동일한 목표를 겨냥할 수 있습니다(오른쪽)
처음 2,480개의 데모에서 Google의 훈련 전략은 반경 30cm의 원형 목표를 정확히 맞추는 비율이 9%에 불과했습니다. 약 13,500번의 시연 후에 공이 목표물에 도달하는 정확도는 43%(오른쪽 하단)로 증가했습니다.
이 두 프로젝트에 대한 자세한 소개는 다음 링크를 참조하세요:
- Iterative-Sim2Real 홈페이지: https://sites.google.com/view/is2r
- GoalsEye 홈페이지: https://sites.google.com/view/goals-eye
위 내용은 구글은 4분 동안 300번 이상 플레이한 후 로봇에게 탁구를 가르쳤습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

존 롤스 (John Rawls)의 1971 년 책 The Justice의 이론에서 그는 오늘날의 AI 디자인의 핵심으로 취해야 할 사고 실험을 제안하고 의사 결정 : 무지의 베일을 제안했다. 이 철학은 형평성을 이해하기위한 간단한 도구를 제공하며 리더 가이 이해를 사용하여 AI를 공평한 방식으로 설계하고 구현할 수있는 청사진을 제공합니다. 새로운 사회에 대한 규칙을 만들고 있다고 상상해보십시오. 그러나 전제가 있습니다.이 사회에서 어떤 역할을할지 미리 알 수 없습니다. 당신은 부자 또는 가난하거나 건강하거나 장애가있을 수 있으며 다수 또는 소수의 소수에 속할 수 있습니다. 이 "무지의 베일"하에 운영되면 규칙 제조업체가 스스로 이익을 얻는 결정을 내리지 못하게합니다. 반대로, 사람들은 대중을 공식화하도록 더 동기를 부여받을 것입니다

수많은 회사들이 로봇 프로세스 자동화 (RPA)를 전문으로하며, 반복적 인 작업과 같은 반복적 인 작업 (어디서나 자동화, 파란색 프리즘 등)를 제공하는 봇을 제공합니다. 한편, 프로세스 마이닝, 오케스트레이션 및 지능형 문서 처리 Speciali

AI의 미래는 간단한 단어 예측과 대화 시뮬레이션을 넘어서고 있습니다. AI 에이전트는 새로운 행동 및 작업 완료가 가능합니다. 이러한 변화는 이미 Anthropic의 Claude와 같은 도구에서 분명합니다. AI 요원 : 연구 a

빠른 기술 발전은 미래의 업무에 대한 미래 지향적 인 관점을 필요로합니다. AI가 단순한 생산성 향상을 초월하고 사회적 구조를 형성하기 시작하면 어떻게됩니까? Topher McDougal의 다가오는 책인 Gaia Wakes :

조화 시스템 (HS)과 같은 시스템의 "HS 8471.30"과 같은 복잡한 코드를 포함하는 제품 분류는 국제 무역 및 국내 판매에 중요합니다. 이 코드는 올바른 세금 신청을 보장하여 모든 inv에 영향을 미칩니다

데이터 센터 및 기후 기술 투자의 에너지 소비의 미래 이 기사는 AI가 주도하는 데이터 센터의 에너지 소비 급증과 기후 변화에 미치는 영향을 탐구 하고이 과제를 해결하기 위해 혁신적인 솔루션 및 정책 권장 사항을 분석합니다. 에너지 수요의 과제 : 대규모 및 초대형 스케일 데이터 센터는 수십만 명의 일반 북미 가족의 합과 비슷한 대규모 전력을 소비하며, AI 초반 규모 센터는 이보다 수십 배 더 많은 힘을 소비합니다. 2024 년 첫 8 개월 동안 Microsoft, Meta, Google 및 Amazon은 AI 데이터 센터의 건설 및 운영에 약 1,250 억 달러를 투자했습니다 (JP Morgan, 2024) (표 1). 에너지 수요 증가는 도전이자 기회입니다. 카나리아 미디어에 따르면 다가오는 전기

생성 AI는 영화 및 텔레비전 제작을 혁신하고 있습니다. Luma의 Ray 2 모델과 활주로의 Gen-4, Openai의 Sora, Google의 VEO 및 기타 새로운 모델은 전례없는 속도로 생성 된 비디오의 품질을 향상시키고 있습니다. 이 모델은 복잡한 특수 효과와 현실적인 장면을 쉽게 만들 수 있으며 짧은 비디오 클립과 카메라로 인식 된 모션 효과조차도 달성되었습니다. 이러한 도구의 조작과 일관성은 여전히 개선되어야하지만 진행 속도는 놀랍습니다. 생성 비디오는 독립적 인 매체가되고 있습니다. 일부 모델은 애니메이션 제작에 능숙하고 다른 모델은 라이브 액션 이미지에 능숙합니다. Adobe 's Firefly와 Moonvalley's MA가

ChatGpt 사용자 경험 감소 : 모델 저하 또는 사용자 기대치입니까? 최근에, 많은 ChatGpt 유료 사용자가 성능 저하에 대해 불평하여 광범위한 관심을 끌었습니다. 사용자는 모델에 대한 느린 반응, 짧은 답변, 도움 부족 및 더 많은 환각을보고했습니다. 일부 사용자는 소셜 미디어에 대한 불만을 표명했으며 Chatgpt가“너무 아첨”이되었으며 중요한 피드백을 제공하기보다는 사용자보기를 확인하는 경향이 있습니다. 이는 사용자 경험에 영향을 줄뿐만 아니라 생산성 감소 및 컴퓨팅 리소스 낭비와 같은 회사 고객에게 실제 손실을 가져옵니다. 성능 저하의 증거 많은 사용자들이 ChatGpt 성능, 특히 GPT-4와 같은 이전 모델 (이번 달 말에 서비스에서 곧 중단 될 예정)에서 상당한 악화를보고했습니다. 이것


핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!

인기 기사

뜨거운 도구

MinGW - Windows용 미니멀리스트 GNU
이 프로젝트는 osdn.net/projects/mingw로 마이그레이션되는 중입니다. 계속해서 그곳에서 우리를 팔로우할 수 있습니다. MinGW: GCC(GNU Compiler Collection)의 기본 Windows 포트로, 기본 Windows 애플리케이션을 구축하기 위한 무료 배포 가능 가져오기 라이브러리 및 헤더 파일로 C99 기능을 지원하는 MSVC 런타임에 대한 확장이 포함되어 있습니다. 모든 MinGW 소프트웨어는 64비트 Windows 플랫폼에서 실행될 수 있습니다.

SublimeText3 영어 버전
권장 사항: Win 버전, 코드 프롬프트 지원!

SublimeText3 Linux 새 버전
SublimeText3 Linux 최신 버전

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

Atom Editor Mac 버전 다운로드
가장 인기 있는 오픈 소스 편집기
