Investigadores do CITIC presentan avances en robótica cognitiva no congreso internacional ICDL
martes, 20 de setembro do 2022
Investigadores
do
CITIC presentaron os seus avances sobre robótica cognitiva na
Conferencia Internacional do IEEE sobre Desenvolvemento e Aprendizaxe
(ICDL) de Londres. Máis polo miúdo, Richard J. Duro e Alejandro
Romero, da área de Intelixencia Artificial do CITIC da UDC, deron a
coñecer os detalles dun proxecto de nova arquitectura xerárquica
(H-GRAIL) que selecciona os obxectivos para alcanzar en base a
motivacións intrÃnsecas.
Como
dixemos o traballo foi presentado por ambos investigadores na
Conferencia Internacional do IEEE sobre Desenvolvemento e Aprendizaxe
(ICDL) 2022, que se celebrou a pasada semana en Londres, un encontro
de profesionais adicados ao avance da aprendizaxe cognitiva que
reuniu especialistas en informática, robótica, psicoloxÃa e
ciencias do desenvolvemento de todo o mundo.
O
estudo dos investigadores do CITIC, titulado Autonomous Learning
of Multiple Curricula with Non-stationary Interdependencies foi
realizado en colaboración co Institute of Cognitive Sciences and
Technologies de Roma, Gianluca Baldassarre e Vieri Giuliano Santucci.
Nel incÃdese en que a aprendizaxe autónoma aberta é un enfoque
relevante na aprendizaxe automática e a robótica, que permite o
deseño de axentes artificiais capaces de adquirir obxectivos e
habilidades motoras sen necesidade de que o usuario lles asigne
tarefas. Unha cuestión crucial para este enfoque é desenvolver
estratexias que garantan que os axentes poidan maximizar a súa
competencia no maior número posible de tarefas no menor tempo
posible.
O
novo sistema H-GRAIL proposto polos investigadores do CITIC engade
unha nova capa de aprendizaxe para almacenar as secuencias de tarefas
adquiridas de forma autónoma e con vistas a poder modificalas no
caso de que as interdependencias sexan non estacionarias. Todos os
sistemas próbanse nunha contorna robótica simulada e real con
diferentes escenarios experimentais que implican diversas tarefas con
dependencias.