• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Synergiframväxt i djup förstärkt motorisk inlärning

    Kredit:Tohoku University

    Mänsklig motorisk kontroll har alltid varit effektiv för att utföra komplexa rörelser naturligt, effektivt, och utan mycket eftertanke. Detta beror på förekomsten av motorisk synergi i det centrala nervsystemet (CNS). Motorsynergi gör att centrala nervsystemet kan använda en mindre uppsättning variabler för att styra en stor grupp muskler; därigenom förenklas kontrollen över koordinerade och komplexa rörelser.

    Nu, Forskare vid Tohoku University har observerat ett liknande koncept i robotagenter som använder algoritmer för inlärning av djup förstärkning (DRL).

    DRL låter robotagenter lära sig de bästa möjliga åtgärderna i sin virtuella miljö. Det gör att komplexa robotuppgifter kan lösas samtidigt som manuella operationer minimeras och maximal prestanda uppnås. Klassiska algoritmer, å andra sidan, kräver manuellt ingripande för att hitta specifika lösningar för varje ny uppgift som dyker upp.

    Dock, att tillämpa motorisk synergi från den mänskliga världen till robotvärlden är ingen liten uppgift. Även om många studier stöder användningen av motorsynergi i människors och djurs motoriska kontroll, bakgrundsprocessen är fortfarande i stort sett okänd.

    I den aktuella studien, forskare från Tohoku University använde två DRL-algoritmer på gående robotmedel som kallas HalfCheetah och FullCheetah. De två algoritmerna var TD3, en klassisk DRL, och SAC, en högpresterande DRL.

    De två robotagenterna fick i uppdrag att springa framåt så långt som möjligt inom en given tid. Totalt, robotagenterna genomförde 3 miljoner steg. Synergiinformation användes inte gentemot DRL:erna men robotmedlen visade uppkomsten av motorisk synergi genom hela deras rörelser.

    Mitsuhiro Hayashibe, Tohoku University professor och medförfattare till studien, anteckningar, "Vi bekräftade först på ett kvantitativt sätt att motorisk synergi kan uppstå även i djupinlärning som människor gör." Professor Hayashibe tillägger, "Efter att ha använt djupinlärning, robotagenterna förbättrade sina motorprestanda samtidigt som de begränsade energiförbrukningen genom att använda motorsynergi."

    Går framåt, forskarna siktar på att utforska fler uppgifter med olika kroppsmodeller för att ytterligare bekräfta sina fynd.


    © Vetenskap https://sv.scienceaq.com