Google DeepMind Robotics、Alphabet旗下的Intrinsic與倫敦大學學院（UCL）團隊近日共同發表最新研究，推出名為「RoboBallet」的人工智慧模型。這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。
記者黃仁杰／編譯
Google DeepMind Robotics、Alphabet旗下的Intrinsic與倫敦大學學院（UCL）團隊近日共同發表最新研究，推出名為「RoboBallet」的人工智慧模型。這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。
這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。(示意圖／科技島資料照)互不干擾是關鍵 解決多機器人協作的老問題
在工業現場，如何讓多台機器人同時執行任務而不互相干擾，一直是難題。傳統方法多仰賴規則或取樣演算法，僅能處理少量機器人，一旦規模擴大便難以應付。研究團隊提出的新AI模型則可在數秒內為多達八台機器人規劃出高效路徑，並自動避開障礙，大幅降低人工編程與反覆試錯的成本。
AI模擬訓練 圖神經網路展現規劃優勢
該模型以GNN為核心，將機器人、任務、障礙物等元素轉化為「節點」，並利用邊線表徵其互動關係。透過強化學習，AI在數百萬個合成場景中模擬與學習，最終具備在「未曾見過」的新環境下，也能快速生成解決方案的能力。Intrinsic科學長Torsten Kroeger指出，這種方法等同於讓AI在虛擬空間完成大量訓練，再直接應用於真實世界。
人類專注創意 機器負責規劃
研究主要作者、Google DeepMind Robotics研究工程師Matthew Lai表示，這是首次能在工業規模上自動完成任務與動作規劃的AI系統。「我們的模型能在數秒內產出高品質的運動規劃，讓人類設計師能專注在更具創意與應用性的工作，而把重複繁瑣的規劃交給AI完成。」
RoboBallet不僅能在接收「任務集合」後，自動完成分配與規劃，還能同時處理碰撞避免與任務排序。由於其對各節點關係已具深入理解，因此即便面對全新情境，也能快速反應並找到最佳解決方案。
來源：i-programmer
這篇文章 Google聯手Intrinsic 機器人共享協作空間「RoboBallet」亮相 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。
Google DeepMind Robotics、Alphabet旗下的Intrinsic與倫敦大學學院（UCL）團隊近日共同發表最新研究，推出名為「RoboBallet」的人工智慧模型。這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。
記者黃仁杰／編譯
Google DeepMind Robotics、Alphabet旗下的Intrinsic與倫敦大學學院（UCL）團隊近日共同發表最新研究，推出名為「RoboBallet」的人工智慧模型。這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。
這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。(示意圖／科技島資料照)互不干擾是關鍵 解決多機器人協作的老問題
在工業現場，如何讓多台機器人同時執行任務而不互相干擾，一直是難題。傳統方法多仰賴規則或取樣演算法，僅能處理少量機器人，一旦規模擴大便難以應付。研究團隊提出的新AI模型則可在數秒內為多達八台機器人規劃出高效路徑，並自動避開障礙，大幅降低人工編程與反覆試錯的成本。
AI模擬訓練 圖神經網路展現規劃優勢
該模型以GNN為核心，將機器人、任務、障礙物等元素轉化為「節點」，並利用邊線表徵其互動關係。透過強化學習，AI在數百萬個合成場景中模擬與學習，最終具備在「未曾見過」的新環境下，也能快速生成解決方案的能力。Intrinsic科學長Torsten Kroeger指出，這種方法等同於讓AI在虛擬空間完成大量訓練，再直接應用於真實世界。
人類專注創意 機器負責規劃
研究主要作者、Google DeepMind Robotics研究工程師Matthew Lai表示，這是首次能在工業規模上自動完成任務與動作規劃的AI系統。「我們的模型能在數秒內產出高品質的運動規劃，讓人類設計師能專注在更具創意與應用性的工作，而把重複繁瑣的規劃交給AI完成。」
RoboBallet不僅能在接收「任務集合」後，自動完成分配與規劃，還能同時處理碰撞避免與任務排序。由於其對各節點關係已具深入理解，因此即便面對全新情境，也能快速反應並找到最佳解決方案。
來源：i-programmer
這篇文章 Google聯手Intrinsic 機器人共享協作空間「RoboBallet」亮相 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。
Google DeepMind Robotics、Alphabet旗下的Intrinsic與倫敦大學學院（UCL）團隊近日共同發表最新研究，推出名為「RoboBallet」的人工智慧模型。這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。
記者黃仁杰／編譯
Google DeepMind Robotics、Alphabet旗下的Intrinsic與倫敦大學學院（UCL）團隊近日共同發表最新研究，推出名為「RoboBallet」的人工智慧模型。這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。
這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。(示意圖／科技島資料照)互不干擾是關鍵 解決多機器人協作的老問題
在工業現場，如何讓多台機器人同時執行任務而不互相干擾，一直是難題。傳統方法多仰賴規則或取樣演算法，僅能處理少量機器人，一旦規模擴大便難以應付。研究團隊提出的新AI模型則可在數秒內為多達八台機器人規劃出高效路徑，並自動避開障礙，大幅降低人工編程與反覆試錯的成本。
AI模擬訓練 圖神經網路展現規劃優勢
該模型以GNN為核心，將機器人、任務、障礙物等元素轉化為「節點」，並利用邊線表徵其互動關係。透過強化學習，AI在數百萬個合成場景中模擬與學習，最終具備在「未曾見過」的新環境下，也能快速生成解決方案的能力。Intrinsic科學長Torsten Kroeger指出，這種方法等同於讓AI在虛擬空間完成大量訓練，再直接應用於真實世界。
人類專注創意 機器負責規劃
研究主要作者、Google DeepMind Robotics研究工程師Matthew Lai表示，這是首次能在工業規模上自動完成任務與動作規劃的AI系統。「我們的模型能在數秒內產出高品質的運動規劃，讓人類設計師能專注在更具創意與應用性的工作，而把重複繁瑣的規劃交給AI完成。」
RoboBallet不僅能在接收「任務集合」後，自動完成分配與規劃，還能同時處理碰撞避免與任務排序。由於其對各節點關係已具深入理解，因此即便面對全新情境，也能快速反應並找到最佳解決方案。
來源：i-programmer
這篇文章 Google聯手Intrinsic 機器人共享協作空間「RoboBallet」亮相 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。
Google DeepMind Robotics、Alphabet旗下的Intrinsic與倫敦大學學院（UCL）團隊近日共同發表最新研究，推出名為「RoboBallet」的人工智慧模型。這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。
記者黃仁杰／編譯
Google DeepMind Robotics、Alphabet旗下的Intrinsic與倫敦大學學院（UCL）團隊近日共同發表最新研究，推出名為「RoboBallet」的人工智慧模型。這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。
這項成果利用強化學習（Reinforcement Learning）與圖神經網路（Graph Neural Networks, GNNs），讓多台機器人在同一個複雜工作空間中協同作業時，能自動生成路徑並避免碰撞。(示意圖／科技島資料照)互不干擾是關鍵 解決多機器人協作的老問題
在工業現場，如何讓多台機器人同時執行任務而不互相干擾，一直是難題。傳統方法多仰賴規則或取樣演算法，僅能處理少量機器人，一旦規模擴大便難以應付。研究團隊提出的新AI模型則可在數秒內為多達八台機器人規劃出高效路徑，並自動避開障礙，大幅降低人工編程與反覆試錯的成本。
AI模擬訓練 圖神經網路展現規劃優勢
該模型以GNN為核心，將機器人、任務、障礙物等元素轉化為「節點」，並利用邊線表徵其互動關係。透過強化學習，AI在數百萬個合成場景中模擬與學習，最終具備在「未曾見過」的新環境下，也能快速生成解決方案的能力。Intrinsic科學長Torsten Kroeger指出，這種方法等同於讓AI在虛擬空間完成大量訓練，再直接應用於真實世界。
人類專注創意 機器負責規劃
研究主要作者、Google DeepMind Robotics研究工程師Matthew Lai表示，這是首次能在工業規模上自動完成任務與動作規劃的AI系統。「我們的模型能在數秒內產出高品質的運動規劃，讓人類設計師能專注在更具創意與應用性的工作，而把重複繁瑣的規劃交給AI完成。」
RoboBallet不僅能在接收「任務集合」後，自動完成分配與規劃，還能同時處理碰撞避免與任務排序。由於其對各節點關係已具深入理解，因此即便面對全新情境，也能快速反應並找到最佳解決方案。
來源：i-programmer
這篇文章 Google聯手Intrinsic 機器人共享協作空間「RoboBallet」亮相 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。
