Source
ШІ ДВІЖ | В лабораторії Google DeepMind створили “суто аматорського” робота для ...
620 Views/Reach
2024-08-09 13:15
Message №1659
В лабораторії Google DeepMind створили “суто аматорського” робота для настільного тенісу
Дослідники з Google DeepMind Robotics розробили “гравця-любителя людського рівня”, який може змагатися з людиною в настільний теніс. Про це повідомляє TechCrunch. Під час тестування робот зміг перемогти всіх гравців початкового рівня, з якими йому довелося зіткнутися. З гравцями середнього рівня він виграв 55% матчів. Однак робот ще не готовий до змагань з професіоналами – він програвав щоразу, коли зустрічався з просунутим гравцем. Загалом система виграла 45% з 29 ігор, які вона провела. Найбільшим недоліком системи є її слабка здатність реагувати на швидкі м’ячі. DeepMind вважає, що основними причинами цього є затримка системи, обов’язкове перезавантаження між пострілами та брак корисних даних. Серед інших проблем, які можна вирішити за допомогою системи, – високі та низькі м’ячі, бекхенд і здатність зчитувати обертання м’яча, що входить у поле. Що стосується того, як такі дослідження можуть вплинути на робототехніку, окрім дуже обмеженої корисності настільного тенісу, DeepMind посилається на архітектуру політики, використання симуляції для роботи в реальних іграх і здатність адаптувати свою стратегію в реальному часі.
Дослідники з Google DeepMind Robotics розробили “гравця-любителя людського рівня”, який може змагатися з людиною в настільний теніс. Про це повідомляє TechCrunch. Під час тестування робот зміг перемогти всіх гравців початкового рівня, з якими йому довелося зіткнутися. З гравцями середнього рівня він виграв 55% матчів. Однак робот ще не готовий до змагань з професіоналами – він програвав щоразу, коли зустрічався з просунутим гравцем. Загалом система виграла 45% з 29 ігор, які вона провела. Найбільшим недоліком системи є її слабка здатність реагувати на швидкі м’ячі. DeepMind вважає, що основними причинами цього є затримка системи, обов’язкове перезавантаження між пострілами та брак корисних даних. Серед інших проблем, які можна вирішити за допомогою системи, – високі та низькі м’ячі, бекхенд і здатність зчитувати обертання м’яча, що входить у поле. Що стосується того, як такі дослідження можуть вплинути на робототехніку, окрім дуже обмеженої корисності настільного тенісу, DeepMind посилається на архітектуру політики, використання симуляції для роботи в реальних іграх і здатність адаптувати свою стратегію в реальному часі.