محققان در مطالعهای جدید، چارچوب یادگیریِ تطبیقی به نام «Grow-Prune-Freeze» (GPF) را معرفی کردهاند که به رباتها اجازه میدهد در محیطهای پویا و پیچیده، مهارتهای جدید را به صورت مداوم یاد بگیرند.
این مدل که با الهام از چالشهای ناوبری بویایی طراحی شده، به ربات اجازه میدهد ساختار شبکهاش را بسته به پیچیدگی محیط تغییر دهد (رشد کند، هرس کند یا ثابت بماند). نتایج نشان میدهد که این متد نه تنها در مسیریابی در محیطهای متلاطم عملکرد خیرهکنندهای دارد، بلکه پتانسیل بالایی برای استفاده در مدلهای زبانی، یادگیری تقویتی و بینایی ماشین نیز دارد.
منبع باز بودن این پروژه، فرصتی عالی برای پژوهشگران رباتیک و یادگیری ماشین است تا در این حوزه پیشرو گام بردارند. 🚀
منبع: arXiv Machine Learning