Peter Stone

Um novo framework melhora a eficiência na coordenação e execução de tarefas entre múltiplos robôs.

Os robôs conseguem se adaptar melhor a novos terrenos prevendo as preferências dos operadores.

Usando teoria dos jogos, robôs coordenam movimentos em áreas estreitas pra evitar colisões.

Os robôs se adaptam a terrenos diversos usando dados que coletam sozinhos.

t-DGR oferece uma nova abordagem para aprendizado contínuo, melhorando a retenção de tarefas e o desempenho.

Um novo sistema de teleoperação simplifica o treinamento de robôs através do controle humano em tempo real.

Exploração é a chave pra treinar os agentes de forma eficaz em aprendizado por reforço multitarefa.

Uma nova plataforma onde robôs aprendem tarefas complexas jogando hóquei de mesa.

Aprendizado por imitação ajuda robôs a se mexerem melhor em ambientes movimentados.

Novo programa de IA supera motoristas humanos usando só os dados internos do carro.

Um novo método melhora a eficiência do aprendizado dos robôs através de uma melhor interação humana.

As equipes mostraram as habilidades de navegação dos robôs em uma competição desafiadora.

Uma nova abordagem para modelos de espaço de estados melhora a eficiência e o desempenho em tarefas de linguagem.

Melhorando a capacidade dos robôs de se adaptar e aprender com as experiências.

Um novo método melhora o treinamento de robôs alinhando tarefas simuladas com cenários do mundo real.

Uma nova abordagem para aprender mais rápido no computador em várias tarefas.

Pesquisadores ensinam IA a entender comandos simples para ações no mundo real.

Descubra como o aprendizado por reforço tá mudando o futebol de robôs.