De acordo com pt.wedoany.com-Pesquisadores do Instituto de Tecnologia da Geórgia (Georgia Institute of Technology) desenvolveram uma estrutura de aprendizado de máquina chamada "Aprender para Ensinar" (Learn to Teach), que treina simultaneamente dois modelos de aprendizado por reforço, permitindo que robôs humanoides bípedes atravessem terrenos complexos como areia, cascalho solto, superfícies internas escorregadias e encostas íngremes.
O método tradicional de aprendizado por reforço "professor-aluno" primeiro treina um modelo "professor" simulado que possui informações completas do ambiente e, em seguida, transfere seu conhecimento para o algoritmo "aluno" do robô físico. Feiyang Wu, doutorando em aprendizado de máquina no Instituto de Tecnologia da Geórgia, aponta que esse modelo de treinamento sequencial apresenta dois problemas: primeiro, o treinamento contínuo consome muito tempo; segundo, uma grande quantidade de informações ambientais coletadas pelo professor é desperdiçada. Como a simulação depende de chips GPU caros, o aumento do tempo de computação eleva diretamente os custos de desenvolvimento.
A solução da equipe é treinar os modelos professor e aluno simultaneamente. O professor não precisa mais se tornar um especialista antes de começar a ensinar, mas pode transmitir gradualmente o conhecimento adquirido ao longo do caminho para o aluno. Ao mesmo tempo, o professor também aprende com os erros do aluno, reduzindo assim a "lacuna de imitação professor-aluno" — o problema de o robô físico ter desempenho inferior devido à falta de dados ricos do ambiente simulado.
Em testes com robôs humanoides físicos no laboratório do professor associado Ye Zhao, o controlador apresentou desempenho superior ao software padrão fornecido pelo fabricante do robô. Mesmo quando os pesquisadores empurravam e puxavam com força, o robô conseguia ajustar autonomamente sua marcha e permanecer em pé. O método foi publicado na Conferência Internacional de Robótica e Automação do IEEE (IEEE International Conference on Robotics and Automation).
Essa estrutura demonstra uma mudança da computação intensiva para a eficiência algorítmica. Ao provar que o treinamento concorrente pode alcançar melhor desempenho de equilíbrio com menos computação em terrenos não modelados, o Instituto de Tecnologia da Geórgia reduziu a barreira de entrada para pequenas startups e laboratórios acadêmicos participarem do desenvolvimento de tecnologia robótica. A estrutura "Aprender para Ensinar" é versátil e pode ser aplicada no futuro a braços mecânicos em instalações de fabricação ou drones automatizados em armazéns, encurtando o tempo de lançamento de sistemas automatizados especializados.
No entanto, ainda existem obstáculos para a aplicação comercial dessa tecnologia. Os pesquisadores ainda não divulgaram dados de referência precisos, e a economia de custos computacionais é apenas uma conclusão indicativa. Além disso, o ambiente industrial exige certificações de segurança rigorosas, e o comportamento de decisão das redes neurais pode ser imprevisível ao enfrentar obstáculos nunca vistos antes. As empresas são cautelosas quanto à implantação desses controladores flexíveis até que protocolos de teste altamente padronizados sejam estabelecidos.
