Pesquisadores desenvolvem técnica de aprendizado por reforço para robótica
Nova técnica integra políticas de RL com modelos de fundação robóticos para otimizar o processamento de dados em tempo real.
Pontos principais
- O método utiliza 'real-time chunking' para processar imagens com maior velocidade.
- O sistema combina uma política de RL de pequeno porte com um modelo de fundação robótico de larga escala.
- O projeto é uma colaboração entre a UC Berkeley e a Siemens.
- A pesquisa foi liderada por Brian Zhu, Momen Khalil, Emanuele Poggi e Harrison Harrison.
Pesquisadores da UC Berkeley e da Siemens desenvolveram uma nova técnica para integrar políticas de aprendizado por reforço (RL) com modelos de fundação robóticos. O método utiliza o conceito de 'real-time chunking' para processar imagens recentes com maior velocidade, permitindo a otimização de comportamentos em tempo real.
O sistema funciona combinando uma política de RL de pequeno porte com um modelo de fundação robótico de larga escala. O trabalho foi conduzido por uma equipe composta por Brian Zhu, Momen Khalil, Emanuele Poggi e Harrison Harrison.
Cobertura da mídia
Leia também
Professor da UC Berkeley propõe novo método para aprendizado por reforço
5 nov, 01:45
Sergey Levine apresenta nova técnica de reinforcement learning
4 nov, 01:10
Pesquisa explora uso de aprendizado por reforço na robótica
3 nov, 02:15
Pesquisador aponta avanço em aprendizado por reforço com técnica supervisionada
21 out, 01:40
Pesquisadores de Stanford desenvolvem técnica de aprendizado por reforço
23 set, 14:10
Comentários (0)
Seja o primeiro a comentar.