بررسی الگوهای تمرینی كارآمدتر برای ربات ها در میادین جنگی
پژوهشگران ارتش آمریکا اهتمام دارند با مجهز کردن ˮعواملˮ خودکار به قدرت یادگیری و استدلال، از آنها در میادین جنگی کمک بگیرند.
به گزارش نیو وبلاگ به نقل از ایسنا و به نقل از آرمی میل، عملیات چند دامنه ای که ارتش آمریکا برای آینده در نظر دارد، عوامل خودکار با مولفه های یادگیری را می طلبد که در کنار سربازان فعالیت کنند.
پژوهش جدید ارتش آمریکا، غیرقابل پیش بینی بودن سیاست های یادگیری کنونی را می کاهد تا کاربرد آنها در سیستم های فیزیکی، خصوصاً ربات های زمینی بیشتر باشد.
دکتر "الک کوپل"(Alec Koppel)، پژوهشگر ارتش آمریکا اظهار داشت: این مولفه های یادگیری، به عوامل خودکار امکان خواهند داد تا با شرایط متغیر میادین جنگی سازگار شوند.
وی ادامه داد: مکانیسم اساسی سازگاری و برنامه ریزی باردیگر، تقویت سیاست های مبتنی بر یادگیری را شامل می شود. دستیابی بهینه به این سیاست ها برای تحقق مفهوم عملیات، مهمست.
بگفته کوپل، روش های یادگیری، اساس الگوریتم های مقیاس پذیر است اما روش های کنونی نمی توانند اهداف گسترده تر تصمیم گیری مانند حساسیت نسبت به خطر، محدودیت های ایمنی و اکتشاف را داشته باشند.
کوپل افزود: شاید طراحی رفتارهای مستقل هنگامی که رابطه میان پویایی و هدف، پیچیده است، با یادگیری تقویت کننده مورد توجه قرار بگیرد. این خاصیت برای حل کردن وظایف تعامل پذیر همچون بازی هایی مانند شطرنج که نیاز به راهبرد دارند، مورد استفاده قرار گرفته است.
وی ادامه داد: برای سهولت بخشیدن به یادگیری، باید مکانیسم های آموزش، کارآیی و قابل اطمینان بودن نمونه را بهبود ببخشند. ما بواسطه تعمیم طرح های جستجوی سیاست های موجود، گامی در جهت از بین بردن موانع کارآیی برمی داریم که بر سر راه کارآیی نمونه موجود قرار دارند.
کوپل و گروهش، طرح های جست و جوی سیاست جدیدی را برای خدمات عمومی ارایه داده اند که پیچیدگی نمونه آنها نیز اثبات شده است. آنها دریافتند که طرح های جستجو، نوسانات انباشتگی پاداش را کم می کنند، اکتشاف کارآمد در حوزه های ناشناخته و همین طور مکانیسمی برای ادغام تجربیات پیشین به همراه دارد.
کوپل اظهار داشت: این پژوهش، طرح های جستجوی جدیدی را جهت استفاده عمومی ارائه می دهد که پیچیدگی نمونه آنها نیز ثابت شده است. این نوآوری ها بواسطه امکان پذیر کردن اهداف یادگیری مانند حساسیت نسبت به خطر، محدودیت های ایمنی و اکتشاف، برای ارتش آمریکا موثر هستند.
آینده این پژوهش، بسیار درخشان است و کویل تلاش خودرا به استفاده از یافته های پژوهش در ارائه فناوری های نوآورانه برای سربازان در جبهه های جنگ مختص کرده است.
کوپل اظهار داشت: من خوشبین هستم و باور دارم که ربات های خودمختار دارای قابلیت یادگیری می توانند به سربازان در اکتشاف، شناسایی و ارزیابی خطر در جبهه های جنگ کمک کنند. تبدیل شدن این چشم انداز به واقعیت، برای برطرف نمودن آنچه که به مشکلات پژوهشی منجر می شود، لازم است.
گام بعدی این پژوهش، گنجاندن اهداف گسترده تر تصمیم گیری در آنست تا امکان یادگیری در تنظیمات دارای چند عامل را فراهم آورد و همین طور به بررسی این مساله بپردازد که تنظیمات تعاملی چگونه میان عوامل یادگیری تقویت کننده، به ایجاد استدلال در بین گروه ها می انجامد.
بگفته کوپل، فناوری حاصل از این پژوهش می تواند هنگام عدم اطمینان در موقعیت های گروهی، به استدلال بپردازد.
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب