Een team van onderzoekers van Google's Deep Mind London-project heeft geanimeerde spelers geleerd hoe ze een realistische versie van voetbal op een computerscherm kunnen spelen. In hun paper gepubliceerd in het tijdschrift Science Robotics , beschrijft de groep het leren van de geanimeerde spelers om als solospelers en ook in teams te spelen.

Al enkele jaren werken robotingenieurs ijverig om robots te maken die kunnen voetballen. Dergelijk werk heeft geleid tot concurrentie tussen verschillende groepen om te zien wie de beste robotspelers kan bedenken. En dat heeft geleid tot de oprichting van RoboCup, die verschillende competities heeft, zowel in de echte wereld als gesimuleerd. In deze nieuwe poging pasten de onderzoekers een nieuwe graad van kunstmatige intelligentie-programmering en leernetwerken toe om gesimuleerde robots te leren voetballen zonder ze ooit de regels te geven.

Het idee achter de nieuwe aanpak is om gesimuleerde voetballers het spel op dezelfde manier te leren spelen als mensen:door te kijken hoe anderen het doen. Het hield ook in dat we vanaf vrijwel ground zero moesten beginnen. De gesimuleerde spelers moesten eerst leren lopen, daarna rennen en een balletje trappen. Op elk nieuw niveau kregen de AI-systemen video's te zien van echte voetballers, waardoor ze niet alleen de basis van voetbal leren, maar ook de manier waarop professionele atleten bewegen na te bootsen als ze deelnemen aan sportevenementen op hoog niveau.

Toen de robots eenmaal leerden het spel te spelen vanuit het perspectief van een solospeler, werden ze eerst opgenomen tegen een enkele speler. Naarmate hun vaardigheden verbeterden, werden er meer spelers toegevoegd. Uiteindelijk lieten de onderzoekers kleine teams tegen elkaar spelen, zoals twee-tegen-twee. En naarmate de AI-spelers meer leerden over hoe het spel werkt, werden er meer spelers toegevoegd totdat er een volledige aanvulling was.

De resultaten van de onderzoekers zijn indrukwekkend:de actie lijkt op een computerspel, maar is realistischer omdat de spelers zelf beslissingen nemen. Maar, zoals de onderzoekers erkennen, het is ook vereenvoudigd. Er worden bijvoorbeeld geen fouten gefloten en er is een onzichtbare grens rond het veld, waardoor ballen niet buiten de lijnen kunnen dwalen. Ze merken ook op dat er tot nu toe lange leertijden zijn geweest om de spelers te leren spelen, wat zou kunnen verhinderen dat de technologie doorgaat naar echte robots. + Verder verkennen

Een versterkend leerkader om de voetbalschietvaardigheden van viervoetige robots te verbeteren

© 2022 Science X Network