军事机器人终于找到最实用的训练模型

美国陆军正积极将多域作战理念融入下一代作战车辆的设计中。这种先进的作战理念呼唤着装备智能化“代理”的加入，这些“代理”能够在战场上与作战人员并肩作战。

多域作战（MDO）不仅是美国陆军未来的核心作战理念，更是一种对战场灵活适应的呼唤。为了实现这一目标，美国陆军研究实验室的科学家们正在致力于将强化学习机制引入陆地机器人技术中。这一领域的研究对于实现MDO理念至关重要。

美国陆军作战能力发展司令部（DEVCOM）的Alec Koppel博士及其团队，在强化学习领域取得了突破性进展。他们成功降低了传统强化学习策略的不可预测性，使得陆地机器人能够在复杂多变的战场环境中进行自主决策。Koppel博士指出，这种学习组件的引入，将为机器人赋予推理能力，使其能够适应不断变化的战场条件。

强化学习作为一种机器学习技术，能够完成许多复杂任务，如下围棋、国际象棋等。将其应用于实战环境时，面临着样本集合过于复杂的问题。这样的复杂性使得许多传统的训练机制在MDO和下一代作战车辆（NGCV）中失效。为了克服这一问题，Koppel团队设计了一种新的训练机制，该机制在连续空间中提高了样本可靠性，并有效减少了奖励积累的波动性。

这种新机制不仅提高了机器人对未知领域的效率，还整合了历史经验，从而提高了决策质量。Koppel解释称，“该研究扩展了强化学习中的经典梯度定理，对美国陆军具有深远影响。”他进一步指出，对于地面机器人而言，由于数据获取的成本高昂，减少波动性、有效和经验整合对于优化算法至关重要。

展望未来，Koppel博士对具有强化学习功能的机器人在战场上的潜力充满信心。他认为，这些机器人未来将能够协助士兵完成勘探、侦察和风险评估等任务。

本文由科界平台原创编译，中文内容仅供参考，英文原版为准。转载时请注明来源科技工作者之家科界App，以尊重原创版权。