AlphaNIST: робот учится собирать детали размером 4 мм без подсказок
AlphaNIST обучает одну политику для всех двадцати сборочных задач NIST Board #1. Вместо программирования каждого движения робот получает бинарную награду за успех и учится на разнообразном опыте: от разрозненных деталей до почти собранных узлов. Метод success-guided sampling выбирает стартовые состояния, которые политика решает примерно в половине случаев, что ускоряет прогресс и позволяет роботу находить неочевидные решения.
Возможно, ответ в том, чтобы перестать указывать роботу, как, по нашему мнению, должна выполняться задача, и позволить ему научиться достигать цели самостоятельно.