Главная проблема для человека или машины — научиться точно управлять пальцами, чтобы правильно прикладывать силу к предмету. Раньше считалось, что без тактильных датчиков, имитирующих чувствительную кожу и нервные окончания человеческой руки, робот не сможет освоить такие навыки. Но если люди могут манипулировать предметами даже в перчатках, значит, дело не только в осязании.

Исследователи из лаборатории ValeroLab (Университет Южной Калифорнии) решили проверить, действительно ли тактильная обратная связь всегда необходима для обучения. Они задались вопросом: что важнее — «врожденные» свойства руки (например, датчики) или „приобретенные“ навыки, которые развиваются во время тренировки?

В статье журнала Science Advances команда использовала компьютерное моделирование и машинное обучение, чтобы показать: ключевую роль играет не столько осязание, сколько последовательность обучения — так называемый «учебный план». Оказалось, что если правильно подобрать этапы тренировки, даже виртуальная рука с неполными или отсутствующими тактильными данными научится управлять объектами.

Для эксперимента смоделировали трехпалую роборуку и обучали ее поднимать и вращать предмет.

Что выяснилось:

• Тактильная информация не всегда критична — можно обойтись без нее.
• Гораздо важнее, как именно идет обучение: если система получает «награду» за правильные действия в нужном порядке, она быстрее адаптируется.

Награда направляет развитие системы, — объясняет Франсиско Валеро-Куэвас, руководитель исследования.

Так же, как и в живой природе: опыт формирует навыки. Эта связь между биологией и машинным обучением поможет создавать ИИ, который лучше приспосабливается к реальному миру.

Ромина Мир, соавтор работы, добавляет:

Мы доказали, что продуманная программа тренировок может компенсировать даже недостаток сенсоров.

Этот эксперимент меняет подход к проектированию роботов и протезов. Раньше инженеры стремились оснастить их максимально точными сенсорами, что удорожало и усложняло системы. Теперь ясно: можно добиться похожих результатов через оптимальные алгоритмы обучения.

Где пригодится:

• Протезирование — дешевые протезы с базовыми датчиками смогут работать лучше, если их «обучать» по правильной методике.
• Робототехника — не нужно ждать идеальных тактильных технологий, чтобы создавать функциональные манипуляторы.
• ИИ — принципы постепенного обучения помогут нейросетям быстрее осваивать физические задачи.

Ранее ученые усовершенствовали робота-художника.