Robot đi bộ có thể làm đủ loại việc thú vị như nhảy múa, chạy và võ thuật — nhưng để chúng hữu ích, chúng phải có khả năng sử dụng chân để xử lý địa hình, di chuyển qua các chướng ngại vật chứ không chỉ quanh chúng. Vậy, làm thế nào chúng ta có thể đào tạo tốt nhất các chính sách đi bộ cho robot có chân? @ChongZitaZhang nói với chúng ta về điều đó. Hãy xem Tập #43 của RoboPapers, do @micoolcho và @chris_j_paxton dẫn dắt, ngay bây giờ, để tìm hiểu thêm.

Với đủ dữ liệu, robot và AI có thể học "mô hình thế giới" cho phép chúng dự đoán kết quả của các hành động của mình. Những mô hình này là một cách để học cách các tác nhân AI có thân thể có thể thực hiện nhiều nhiệm vụ hữu ích — nhưng chúng yêu cầu một lượng dữ liệu khổng lồ. Nhóm tại General Intuition @gen_intuition có một giải pháp: sử dụng dữ liệu từ video game! Các trò chơi dạy chuyển động, giải quyết vấn đề và lý luận không gian phức tạp, và chúng có sự đa dạng đáng kinh ngạc về hình thức, bao phủ nhiều loại vấn đề khác nhau. Hơn nữa, dữ liệu được thu thập có chất lượng cao, không có tiếng ồn hay lỗi chú thích có thể xảy ra từ Chúng tôi đã ngồi xuống với @PimDeWitte và @AdamJelley2 từ nhóm General Intuition để tìm hiểu thêm về lịch sử của họ, kế hoạch của họ và triết lý của họ.

Tập đầy đủ sẽ ra mắt sớm! Thảo luận với @PimDeWitte @AdamJelley2, những người đồng sáng lập của @gen_intuition, tận dụng các bản ghi trò chơi quy mô lớn để xây dựng các tác nhân với lý luận không gian/thời gian sâu sắc. Dựa trên công trình của Adam, @EloiAlonso1 @micheli_vincent (tất cả đều là đồng sáng lập tại General Intuition): DIAMOND - Khuếch tán cho Mô hình hóa Thế giới: Chi tiết Hình ảnh Quan trọng trong Atari Được đồng dẫn chương trình bởi @micoolcho @chris_j_paxton