Robotik keşif algoritmaları, bilinmeyen ortamları haritalamak ve yol planlaması yapmak için karmaşık graf yapıları kullanır. Ancak bu graflar keşif sürecinde hızla büyür ve gereksiz bilgi birikimi robot performansını olumsuz etkiler.
Araştırmacılar, bu sorunu çözmek için yapay zeka tabanlı yenilikçi bir yaklaşım geliştirdi. Transformer mimarisini kullanan ve Proximal Policy Optimization (PPO) ile eğitilen sistem, robotların keşif sürecinde haritalarındaki gereksiz verileri akıllıca temizleyebiliyor.
Rapidly Exploring Random Trees (RRT) algoritması kullanarak sınır tabanlı keşif yapan robot simülasyonlarında test edilen sistem, graf boyutunu %96'ya kadar küçültmeyi başardı. Bu dramatik azalma, robotların bellek ve işlem gücünü daha verimli kullanmasını sağlıyor.
Özellikle dikkat çekici olan, sistemin seyrek ve gecikmeli ödül sinyallerine rağmen temizleme kararlarını keşif sonuçlarıyla ilişkilendirmeyi öğrenebilmesi. Test sonuçları, akıllı graf temizleme işleminin keşif hızını baseline yöntemlere göre biraz düşürdüğünü, ancak standart sapmayı en düşük seviyeye indirerek en tutarlı sonuçları ürettiğini gösteriyor.
Bu teknoloji, otonom araçlardan gezici robotlara kadar geniş bir uygulama alanında robot performansını artırabilir.