🤖 Специалисты из Google представили подход, позволяющий роботам эффективно протирать столы от крошек и жидкости в сложных средах. Эксперты объединили методы обучения с подкреплением (RL) и оптимизации траекторий. Первый предоставляет роботу возможность выбирать действия по очистке поверхности, а второй определять команды для всего тела с учетом физических ограничений и предотвращения столкновений. Исследователи использовали симулятор стохастического дифференциального уравнения задачи протирания стола для тренировки RL-политики планированию высокого уровня. По их словам, это позволяет избежать необходимости в обучающих данных для конкретной задачи. 🧽 Специалисты протестировал метод на роботе. Они заявили, что по сравнению с основанными на эвристике подходами он требует меньшего количества салфеток для очистки разливов и крошек с поверхности. Устройство не смахивает случайно мусор со стола и в процессе уборки не сталкивается с препятствиями вроде стульев. #Google #роботы