به گزارش خط رند ۹۱۲ به نقل از اینترستینگ انجینرینگ، بدین سان بنظر می رسد عصر جدیدی در فضا شروع شده است. این موفقیت در یک نانو ماهواره InnoCube طی گذر کوتاه صبحگاهی آن از مدار زمین به دست آمد و در آن هوش مصنوعی فقط با قابلیت های تصمیم گیری که آموخته بود مانور کنترل وضعیت یا جهت گیری فضاپیما را انجام داد. در تست های بعدی ابزار کنترل بطور مرتب جهت هدف را درست تنظیم کرد و این امر نشان میدهد سیستم می تواند نه فقط در وضعیت شبیه سازی شده، بلکه در وضعیت واقعی نیز به خوبی عمل کند. بگفته پژوهشگران این پروژه که LaLaR نام دارد، پیشرفت مذکور به توسعه سیستم های خودکار فضایی کمک می نماید. هدف این پروژه ساخت نسل بعدی کنترل کننده های انطباق پذیری است که وضعیت فضاپیما را بدون کمک اپراتورهای انسانی تثبیت و تنظیم می کنند. آن چه کنترل کننده وورتسبورگ را از بقیه ابزارهای مشابه متمایز می کند، استفاده از یادگیری تقویتی عمیق(Deep Reinforcment Learning)است. در این تکنیک رفتار «شبکه عصبی» (neural network) بجای اتکا به قوانین ثابت بوسیله جلسات آموزشی مبتنی بر آزمایش در محیط های شبیه سازی شده، آموخته شده است. چنین روشی نوید بخش توسعه سریع تر و عملکرد انطباق پذیرتر سیستم ها است. بیشتر اوقات ماه ها طول می کشد تا کنترل کننده های سنتی تنظیم شوند. اما سیستم مبتنی بر یادگیری تقویتی عمیق می تواند از قبل آموزش دریافت و در مرحله بعد خودرا با شرایط پیشبینی نشده منطبق نماید. کنترل کننده قبل از تست پرواز در یک شبیه ساز خیلی با دقت بالا آموزش دید و سپس در ماهواره InnoCube آپلود شد. یکی از پژوهشگران پروژه در این زمینه می گوید: این واقعا یک موفقیت تعیین کننده است. ما برای اولین بار در جهان توانستیم مدرک عملی و واقعی ارایه دهیم که نشان میدهد یک سامانهٔ کنترل وضعیت ماهواره که با روش یادگیری تقویتی عمیق آموزش دیده، می تواند با موفقیت در مدار زمین عمل کند.
بطور خلاصه، به گزارش خط رند ۹۱۲ به نقل از اینترستینگ انجینرینگ، بدین سان به نظر می رسد عصر جدیدی در فضا آغاز شده است. اما سیستم مبتنی بر یادگیری تقویتی عمیق می تواند از قبل آموزش دریافت و در مرحله بعد خودرا با شرایط پیشبینی نشده منطبق نماید.
منبع: خط رند ۹۱۲
