Os robôs que andam podem fazer todo o tipo de coisas emocionantes, como dançar, correr e artes marciais — mas para serem úteis, eles devem ser capazes de usar as suas pernas para lidar com o terreno, movendo-se sobre obstáculos e não apenas ao redor deles. Então, como podemos treinar da melhor forma as políticas de locomoção para robôs de pernas? @ChongZitaZhang fala connosco sobre isso. Assista ao Episódio #43 do RoboPapers, apresentado por @micoolcho e @chris_j_paxton, agora, para saber mais.

Com dados suficientes, robôs e IA podem aprender "modelos de mundo" que lhes permitem prever os resultados de suas ações. Esses modelos são uma forma de aprender como agentes de IA incorporada podem realizar uma ampla variedade de tarefas úteis — mas requerem uma enorme quantidade de dados. A equipe da General Intuition @gen_intuition tem uma solução: usar dados de videogames! Os jogos ensinam movimento, resolução de problemas e raciocínio espacial complexo, e vêm em uma diversidade impressionante de formas, cobrindo uma ampla variedade de problemas. Além disso, os dados capturados são de alta qualidade, sem o ruído ou erro de anotação que pode ocorrer. Sentamos com @PimDeWitte e @AdamJelley2 da equipe da General Intuition para saber mais sobre sua história, seus planos e sua filosofia.

O episódio completo será lançado em breve! Entrevista com @PimDeWitte @AdamJelley2, cofundadores da @gen_intuition, que utilizam gravações de jogos em larga escala para construir agentes com raciocínios espaciais/temporais profundos. Baseado no trabalho de Adam, @EloiAlonso1 @micheli_vincent (todos cofundadores da General Intuition): DIAMANTE - Difusão para Modelagem do Mundo: Detalhes Visuais Importam em Atari Co-apresentado por @micoolcho @chris_j_paxton