TX, 27/07/2022
Por Ingrid Fadelli
Treinar robôs para completar tarefas no mundo real pode ser um processo muito demorado, que envolve a construção de um simulador rápido e eficiente, a realização de inúmeras tentativas nele e a transferência dos comportamentos aprendidos durante essas tentativas para o mundo real. Em muitos casos, no entanto, o desempenho obtido nas simulações não corresponde ao obtido no mundo real, devido a mudanças imprevisíveis no ambiente ou na tarefa.
Pesquisadores da Universidade da Califórnia, Berkeley (UC Berkeley) desenvolveram recentemente o DayDreamer, uma ferramenta que pode ser usada para treinar robôs para completar tarefas do mundo real de forma mais eficaz. Sua abordagem, apresentada em um artigo pré-publicado no arXiv, é baseada em modelos de aprendizado do mundo que permitem que os robôs prevejam os resultados de seus movimentos e ações, reduzindo a necessidade de treinamento extensivo de tentativa e erro no mundo real.