Képes-e mesterséges intelligencia megváltoztatni zeneművek stílusát, popból klasszikust vagy dzsesszt csinálni?

Igen, képes – állítja a San Diegói Kaliforniai Egyetemen számítógépes zenét tanító Shlomo Dubnov és Conan Lu, egy redmondi főiskola diákja.

Erre a tevékenységre alkalmas gépitanulás-eszközt fejlesztettek. Elmondásuk alapján az eddigi hasonló próbálkozások azért nem sikerültek, mert a gépek nem tudtak különbséget tenni stílus és tartalom között.

ChordGAN rendszerük, egy generatív ellenséges hálózat (GAN) speciális (chroma) mintavétellel dolgozik, csak egy, tizenkét tónusú hangkiosztás profillal választja szét a stílust, a zenei textúrát a tartalomtól, például a hang- és az akkordváltásoktól. Stílus és tartalom explicit megkülönböztetésével a hálózat folyamatosan meg tudja tanulni a stílusjegyeket.

Dubnov és Lu az egyetem 2019-es nyári zenei táborán találkoztak, majd online dolgoztak együtt. Többszáz MIDI audió adatmintából álló, pop, dzsessz és klasszikus anyagokból gyűjtött adatsort alakítottak ki. A MIDI-fájlokat előzetesen úgy dolgozták fel, hogy az audiófájlok zongorafutamokká és chroma formátummá váljanak. A hálózat így tanulta meg hangjegyek átalakítását.

„A rugalmasság az egyik előnye, különböző zenei műfajokkal elboldogul. Inputként bármilyen tonális zene megadható neki, abból generál speciális stílusú darabot” – magyarázza Lu.

A rendszert egyedi módszerekkel értékelték ki. Mérték, hogy megmarad-e az eredeti tartalom (akkordok, harmóniák stb.), hogy a stílusváltásnál nem marad-e ki valami.

A stílustranszfer eredményét pontozó zenei osztályozót is fejlesztettek. Az osztályozó 74 százalékkal a dzsesszben teljesített legjobban, de a pop- (68 százalék) és a klasszikus zenében (64 százalék) is megfelelt.

Dubnov és Lu szerint rendszerükkel zenészek tanulmányozhatnak kompozíciós technikákat, a zenedarab főbb jegyeit meghatározó speciális kottákból pedig automatikusan generálhatnak számokat.

Az Amazon 2018-ban jelentette be második székházának építését. A helyszín Észak-Virginia, az ottani Crystal Cityt már át is nevezték National Landing-re (nemzeti leszállás/földetérés), az üres irodák sivár közegét csúcstechnológia vezérelte, fenntartható és fejlett urbánus környezetté alakítják át.

2018 óta üzleti csoportok és fejlesztők, köztük a legismertebb amerikai telekommunikációs vállalat, az AT&T és az ingatlan-befektető JBG Smith is dolgoznak az okosváros-projekten.

Közel 6,5 kilométeres, irodákból, lakó- és kereskedelmi célú épületekből és persze az Amazon második székházából álló körzetben alakítanak ki robusztus 5G hálózatot. A gyors internetkapcsolat a szenzorokkal, mesterséges intelligenciával, dolgok internetével (Internet-of-Things, IoT) működő város alapja, ahol minden high-tech csodát meg fogunk találni: önvezető autókat, a levegő minőségét is mérő „okos” közvilágítást, az egészségügyben dolgozó, például a betegek gyógyszerellátását figyelő robotokat stb.

National Landing az innováció élő laboratóriumává, urbánus fejlesztések tesztterepévé válhat. A járvány utáni valóságban, az irodai dolgozók hibrid munkavégzéséhez alkalmazkodva, a lakosok is élvezhetik a következőgenerációs 5G technológiák előnyeit. A munka virtualizálódásához egyértelműen jobb hálózati kapcsolat és gyorsabb internet szükséges, a fejlesztésekhez pedig figyelembe kell venni, hogy nemcsak irodákban, hanem otthon is dolgozunk.

Az AT&T 2022 első felében kezdi telepíteni a növekvő szükségletek szerint folyamatosan bővíthető hálózati infrastruktúrát. A kivitelezésben érintettek bizakodnak, hogy az okos város magához vonzza az innovációt és természetesen befektetők sokaságát.

A Virginia Tech máris építkezik, az Amazon pedig potom 2,5 milliárd dollárért kétspirálos üvegtornyot – irodaházat – húz fel a területen. Terveik alapján National Landing az Egyesült Államok „legösszekapcsoltabb” településévé válik.

Okosváros-terveken a világ más pontjain is dolgoznak. A Toyota nemrég kezdett bele a Fuji lábához tervezett Woven Citybe. A vállalat profiljából következik, hogy a település az autonóm járművek tesztlaboratóriuma lesz.

Az ohiói Columbusban viszont újragondolják a 2016-ban indított hasonló projektet, az Alphabet (Google) pedig leállította a torontói vízpartra szánt okos várost. Mindkét esetben a pandémia miatti bizonytalan gazdasági helyzetre hivatkoznak.

Robotok ma már élelmiszerekkel is érintkeznek, egyes háztartási vagy ipari szerkezetek elvileg zöldségeket és gyümölcsöket is képesek szeletelni. A gyakorlatban viszont sokat hibáznak.

A múltban a fejlesztők komoly nehézségekkel szembesültek, ha azt akarták, hogy gépeik felvagdossanak tárgyakat, élelmiszereket. Alig van két egyforma tárgy, és a ma működő rendszerek nehezen vagy egyáltalán nem tudják kezelni az eltéréseket.

A Dél-kaliforniai Egyetem (USC) és a Nvidia kutatói erre a problémára (is) dolgoztak ki hatékony megoldást. Robotok vágótevékenységéhez fejlesztettek a késre kifejtett nyomást pontosan reprodukáló, zöldségeket és gyümölcsöket szakszerűen szeletelő szimulátort.

Mivel emberi szövet vágására szintén alkalmas, a rendszer komoly orvosi lehetőségekkel kecsegtet. A tapintásra adott reakció javításával, sokat segíthet sebészeknek, biztonságosabbá tehet műtéteket. Ezért is fontos a vágás hajszálpontos modellezése.

A kutatók egyedi megközelítést dolgoztak ki a vágás szimulálásához. Hálóval reprezentált rugókat tettek az elvágandó tárgy két fele közé. A kés hálóra kifejtett nyomásának hatására, a nyomás mértékével arányosan, a rugók fokozatosan elgyengültek.

A szimulátort ez a képessége teszi különlegessé. Különbséget tud tenni az erőkifejtések között, így pedig – összhangban a tényleges mérésekkel – finomhangolhatók a szimulációs paraméterek.

„Munkánk azért fontos, mert szűkíti a valóság és a gép tevékenysége közötti különbségeket, megoldást kínál a mai robotika egyik nagy kihívására. Enélkül a robotok soha nem törnének ki a szimulációból a valóságba ” – magyarázza Eric Heiden, az USC PhD-hallgatója, a kutatást ismertető tanulmány elsőszámú szerzője.

A képességek konkrét helyzetekbe történő átviteléhez, a szimulátornak valódi rendszert kell modelleznie. Az egyik kísérlet során, fizikai robot adataival dolgozva, nagyon pontos előrejelzések készültek a kés tényleges mozgásáról. Jelenleg a rendszer valódi robotokra alkalmazásán dolgoznak.

Egy dón akkor hasznos, ha gyors. Keressen túlélőket katasztrófa sújtotta terepen, vizsgáljon valamilyen épületet, szállítson csomagot, korlátozott kapacitású elemei miatt feladatait a lehető legrövidebb időn belül kell elvégeznie.

Előfordulhat, hogy egy sor „úti pont”, például ablakok, szobák vagy speciális helyszínek tanulmányozásával, minden egyes résznél a legmegfelelőbb útvonal, az optimális gyorsulás és lassulás kiválasztásával abszolválja a feladatot.

A drónokat vezérlő legjobb humán pilóták remek munkát végeznek ezen a téren, az algoritmusokat az eddigi összes versenyen legyőzték.

Mindeddig, mert a Zürichi Egyetemen (UZH) a négypropelleres (kvadrokopter) drónok leggyorsabb útvonalát megtaláló algoritmust fejlesztettek. Az algoritmus két világklasszis pilóta felett diadalmaskodott egy kísérleti versenypályán.

„Újdonsága, hogy elsőként generál a drón korlátait teljesen figyelembe vevő, időoptimalizált útvonalat” – magyarázza a fejlesztéseket vezető Davide Scaramuzza.

A korábbi munkák vagy a kvadrokopter rendszer, vagy a repülési útvonal leegyszerűsítésén alapultak. A zürichi kutatók alapötlete a speciális úti pontok közötti szakaszok kijelölése helyett, az úti pontokon történő átmenetel volt. Az algoritmus nem mondja meg a drónnak, hogy hogyan és mikor csinálja meg. Csak arra utasítja, hogy megcsinálja.

Az MI és a két humán pilóta ugyanazt a drónt vezérelte. A drón mozgásának érzékeléséhez, valósidejű tartózkodási helyének beazonosításához az algoritmust segítő kamerákat használtak. A sportszerűség szellemében, a humán pilóták is gyakorolhattak a versenypályán.

Az algoritmus azonban nyert: az összes körben gyorsabb, teljesítménye következetesebb volt. Ez azért nem meglepő, mert mihelyst megtalálja a legjobb útvonalat, utána – ellentétben az emberrel – annyiszor ismétli meg ugyanazt, ahányszor csak akarja.

Mielőtt a kereskedelemben forgalmaznák, meg kell oldani, hogy kevesebb számítással dolgozzon, mert az optimális útvonalat egy óra hosszat latolgatta, ráadásul végig külső kamerák segítették, máskülönben nem oldotta volna meg a feladatot. A kutatók a jövőben külső helyett fedélzeti kamerákat terveznek használni.

A győzelem mindenestre megmutatta, hogy mire képes egy autonóm drón. Scaramuzza szerint algoritmusukat sok területen alkalmazhatják.

Képzeljük el, hogy kinyitunk egy természetfotó-könyvet, majd kaleidoszkóp-szerű látványban lesz részünk – mintha a pillangók kirepülnének a lapokról.

A Boulderi Coloradói Egyetem kutatóinak köszönhetően, hamarosan kezünkbe vehetünk ilyen könyveket. Papírvékony, gyors és majdnem teljesen csendes alakváltó objektumaik a puha robotika (soft robotics) fejlődésének köszönhetők. Electriflow című első alkotásaik között nyakát hajlítgató origami daru, mozgó virágszirom, csapkodó rovarok találhatók.

„A pillangókról szóló könyvek általában mozdulatlanok. De csapkodhatja-e egy pillangó a szárnyait egy könyvben? Megmutattuk, hogy igen” – magyarázza a projekt Purnendu becenevet használó vezetője.

Nem volt szükségük hozzá motorokra és más hagyományos gépalkatrészekre. Az inspirációt az egyetemen fejlesztett, ma már az Artimus Robotics cégen keresztül kereskedelmi forgalomban beszerezhető mesterséges izmok jelentették.

Az Artimus a „hidraulikusan felerősített öngyógyító elektrosztatikus” (HASEL) aktuátor technológiából indult ki. A hagyományos robotok gyakran merev fémből készült részeivel ellentétben, az elektrosztatikus nyomáson alapuló, műanyag tasakokba csomagolt aktuátorokat folyadékok, a tasakban lévő olaj mozgatja.

Sokoldalúságuk az egyik nagy előnyük. Ez azért furcsa, mert tulajdonképpen csak tasakok, viszont a tasak formája szerint különböző mozgások generálhatók. A természetet, mindenféle, például a ragadozókat alakjuk megváltoztatásával távoltartó élőlényeket is képesek utánozni.

„Az alakváltoztatás egyes állatok számára a kommunikáció és a túlélés fontos része. Mérnökök hasonló funkciókat próbálnak fejleszteni számítógépes interfészekhez” – folytatja Purnendu.

A kutató először azon morfondírozott, hogy a tasak belsejében csapkodó olaj robotok építése mellett, puha és mozgatható műtárgyak alkotására is használható, vagy sem, majd belevágtak a fejlesztésbe. Az Electrinflow-hoz több különböző tasakformát használva, dolgozták ki vékony műanyaglapok origamiféle összehajtogatását. Sikerrel jártak, mert a rovarok, másodpercenkénti 25 szárnycsapásukkal, gyorsabbak az igaziaknál.

„A rendszer nagyon közeli a természetben tapasztaltakhoz. Munkáinkkal az ember-gép interakciós módszerek korlátait igyekszünk tágítani” – összegez Purnendu.

Bizakodnak, hogy technikájukat több művész és tervező fogja használni.

Az Alphabethez (azaz a Google-hoz) tartozó londoni DeepMind AlphaFold számítógépes modellje előrejelzi fehérjék és más molekuláris formák pontos 3D atomi szerkezetét. A Washington Egyetem (Seattle) kutatói hasonló, nagyon precíz fehérje-szerkezet előrejelző programot (RoseTTAFold) jelentettek be.

Mindkét fejlett modellező program számítástudományi szakemberek, biológusok és kutatóorvosok többéves munkájának eredménye. A DeepMind mesterséges intelligenciája 350 ezer emberi fehérje-szerkezet mellett az ezirányú kísérletek sztárjainak számító további húsz élőlény, például az E.coli baktérium, az élesztőgomba és a muslica proteinjeinek rejtélyét oldja meg. A következő hónapokban az összes katalogizált fehérje, kb. százmillió molekula kerül sorra.

Mindkét program mesterséges intelligenciával, igyekszik óriási adatbázisokban észrevenni a fehérjekötődés mintázatait. A bennük lévő, szomszédos aminosavak interakcióit szabályozó fizikai és biológiai törvények alapján kiszámolják az ismeretlen fehérjék legvalószínűbb szerkezeteit. Az EoseTTAFold fejlesztői többszáz G-fehérje szerkezeti adatbázisát hozták létre, amely gyógyszerészeti kutatások forrása lehet.

A DeepMind 350 ezer fehérjeszerkezete az eddigi előrejelzések több mint kétszerese. Az AlphaFold az emberi fehérjék közel 44, a humán genomba kódolt aminosavak kb. 60 százalékát vizsgálta. Az MI megállapította, hogy a többi emberi fehérje jelentős része rendezetlen, alakjuk nem egyfajta szerkezet. Ezek a rendezetlen fehérjék másik fehérjével összekapcsolódva formálnak állandó szerkezetet.

Mivel a DeepMind az Európai Molekuláris Biológia Laboratóriummal (EMBL) közösen létrehozott adatbázisa online és ingyen hozzáférhető, a kutatások nagyon felgyorsulhatnak. A fehérjék 3D szerkezete jelentős mértékben meghatározza a funkcióikat, így az adatbázis többezer ismeretlen protein működését segít megfejteni.

Az AlphaFold legfrissebb változata a műanyagokat a környezetben a korábbiaknál gyorsabban lebontó, elvileg hatékony gyógyszereket is eredményező enzimek fejlesztésére ösztönzött kutatókat.

„Az emberi genom feltérképezése óta ez az egyik legfontosabb adatsor” – jelentette ki Ewan Birney, az EMBL Európai Bioinformatika Intézetének igazgatója.

A 2015 decemberében, többek között Elon Musk részvételével alapított, független San Franciscói OpenAI kutatólaboratórium – a Google-hoz tartozó londoni DeepMind legnagyobb vetélytársa – a kezdetek óta a „barátságos mesterséges intelligencia” koncepciót promótálja, fejlesztései is deklaráltan ebben a szellemben történnek. (2018. február 21-én Musk lemondott az igazgatótanácsban betöltött szerepéről, azóta csak adományozóként van köze a szervezethez.)

A labor 2019-ben különleges, a Rubik-kockát bámulatos gyorsasággal helyesen kirakó robotkart mutatott be. Most, két évvel később viszont bejelentették a kart fejlesztő csoport megszűnését. Ráadásul a labor robotikai programja nem is a nyári hónapokban, hanem tavaly októberben fejeződött be.

A tényt a mesterségesintelligencia-fejlesztő eszközökkel foglalkozó, szintén társalapító Wojciech Zaremba közölte a sajtóval. Elmondása alapján az OpenAI robotikai fejlődését az adathiány akadályozta.

A cég célja az emberi értelemmel azonos szintű általános mesterséges intelligencia (artificial general intelligence, AGI) megvalósítása. Zaremba szerint közelebb jutnak hozzá, ha robotika helyett más megközelítésekre, például a megerősítéses tanulásra (reinforcement learning) és az ember részéről érkező visszacsatolásokra összpontosítanak.

Az OpenAI korábban szimulációs környezetet alakított ki robotoknak, gyakoroltatásukhoz pedig megerősítéses tanulásalapú eszközcsomagot és más speciális technikákat dolgoztak ki.

Nincsenek egyedül, mert a kutatásfejlesztés egyre magasabb költségei a robotika iparág több neves szereplőjének okoznak komoly gondokat. A Honda bezárta Asimo leányvállalatát, a Rethink Robotics a boltját számolta fel, az utóbbi évek leglátványosabb eredményeit jegyző Boston Dynamicsnál tulajdonosváltás volt tavaly, a SoftBank 1,1 milliárd dollárért eladta a céget a Hyundainak.

Ha egy robotflotta képtelen elég adatot generálni, ez annak a jele, hogy az algoritmusok mennyire adatéhesek. De arra is emlékeztet, hogy a bámulatos fejlődés ellenére, egyelőre messze vagyunk az emberi szintű mesterséges intelligenciától.

Az Amazontól kirúgott több szállító állítja, hogy a nagyvállalat automatizált rendszere negatív szerepet játszott az elbocsátásukban.

Az Uber-szerű Amazon Flex program lehetővé teszi, hogy a cég független sofőröket alkalmazzon csomagszállításra. A sofőrök szerint a program igazságtalanul pontozta le a munkájukat, és senki nem figyelmeztette őket, hogy ki lesznek rúgva.

A Flex automatikusan osztályozza a sofőröket. Minősíti, hogyan pakolják fel és szállítják ki a csomagokat, mennyire tartják be az utasításokat.

Az elbocsátott személyek állítják, hogy a program nem kalkulálja be a hatalmas sorok, az elosztó központok körüli dugók, a kapukkal zárt házak és a rossz időjárás miatti csúszásokat.

Az Amazon egyik korábbi menedzsere elmondta, hogy a vállalat tisztában van a Flex rossz publicitáshoz vezető hibáival, a hatékonyság azonban még így is megéri a kockázatot.

A sofőröknek tíz napjuk van a fellebbezésre. Névtelen források elmondták, hogy a panaszokat megválaszoló e-mailek automatizált levelek. Az elutasított fellebbezések után a kirúgott alkalmazottak 200 dollárt költhetnek, hogy bíróság elé vigyék az ügyet.

A cég egyik szóvivője állítja: az elbocsátásról szóló végső döntést nem algoritmusok, hanem emberek hozzák meg.

Az USA Szövetségi Kereskedelmi Bizottsága nemrég arra kötelezte az Amazont, hogy 61,7 millió dollárt fizessen ki sofőröknek. Az automatizált rendszer munkavállalók megítélésére való használata egyébként is ellentmondásos, a nagyvállalatot sokan kritizálják érte.

A cég 2018-ban azért hagyott fel egy, új munkaerőt felvevő algoritmus használatával, mert nőkkel szemben elfogult volt. 2019-es dokumentumokból kiderült, hogy a nagyvállalat raktáraiban algoritmusok figyelték a termelékenységet, és teljesítmény-követelményeknek nem megfelelő dolgozókat elbocsátották.

A cég megköveteli sofőrjeitől, hogy egyezzenek bele: tevékenységüket mesterséges intelligenciával működő kamerák figyelik, és például a fáradtság vagy az álmosság jeleit is keresik rajtuk. Magánéletükbe történő beavatkozásra hivatkozva, többen megtagadták, hogy kamerák jelenlétében dolgozzanak.

Minden algoritmus hibázhat, egy Amazon-nagyságú vállalatnál viszont a legkisebb tévedések is komoly következményekkel járnak. Vigyázni kell, hogy a hatékonyság ne menjen az átláthatóság kárára, és a dolgozókat tiszteletben tartsák.

Az általános elégedetlenség olyan javaslatokhoz vezetett, mint az algoritmikus elszámoltathatóság. Ez az algoritmusok elfogultságának felszámolására és olyan más törvényekre kötelezné az amerikai kormányt, amelyek eredményeként az állampolgárok jobban megbíznak az automatizált gépi döntésekben.

Balesetek, súlyos betegségek és más tragédiák miatt nagyon sokan elveszítik kommunikációs készségüket. Hosszú évek óta kísérleteznek az ezeket a velünk született adottságokat valamilyen szinten helyreállító technológiákkal. Például természetes nyelvi modellekkel igyekeznek visszaadni a legtermészetesebb kommunikációs formát, a beszédet.

Teljes áttörés ugyan még nincs, és a fejlesztések elején tartunk, de mindenesetre azok egyre ígéretesebbek.

Kaliforniai kutatók egy, a beszédkészségét másfél évtizede elvesztett személy agyában lévő elektromos impulzusok értelmezésére, és a jelek szavak formájában, videó-kijelzőn történő megjelenítésére tanítottak be egy rendszert.

A UC Berkeley és a UC San Francisco szakemberei 128 elektródás szerkezetet ültettek az illető agyának a száj, az ajkak, az állkapocs, a nyelv és a gége mozdulataiért felelős részébe.

A rendszer több mint egy évtized kutatás eredménye. A kutatásokat az agy neurológiai tevékenysége és a beszélt nyelv hangjai közötti kapcsolatokat vizsgáló Edward F. Chang idegsebész vezette.

Az implantátumot számítógéphez kapcsolták, majd megkérték a pácienst, hogy próbáljon elmondani ötven egyszerű szót és ötven egyszerű mondatot. Közben rögzítették az agytevékenységet.

A rendszert huszonkét óra hosszat gyakoroltatták a felvett anyagon.

Egyes részei a beszédhez kapcsolódó agytevékenységet térképezték fel. Több modellből álló más részei az ötven szó valamelyikeként osztályozták a beszédjeleket. Egy nyelvi modell előrejelezte, hogy egy adott szó mekkora valószínűséggel lesz a következő. Egy dekódoló algoritmus a modellek outputjaira alapozva, meghatározta az ötven legvalószínűbb mondatot.

A teszteken a rendszer percenként átlagosan 15,2 szót dekódolt, a mondatok „fordítását” 25,6 százalék átlagos hibarátával végezte.

Egy másik, BrainGate (AgyKapu) nevű projekt tudósai a kézírás szöveggé alakulása és az agyból érkező kapcsolódó jeleket vizsgálják.

Ha azt akarjuk, hogy a robotok egyre emberszerűbben viselkedjenek, meg kell találni a tervezés és a vezérlés közötti kényes egyensúlyt. Ügyességünk, komplex feladatok kezünkkel történő kivitelezése hosszú evolúciós folyamat eredménye.

Egy új robotkar fejlesztése szintén hosszú folyamat: a tervezés sok iterációs ciklusból áll, aztán jön a fizikai megvalósítás, majd az emberi intuíción alapuló kiértékelés.

Mivel feladat-specifikus robotkarokat nehéz kidolgozni, a legtöbb általános rendeltetésű. A mostani módszerek a sok érintkezést igénylő feladatokra történő tervezés és a gyártás gyakorlati korlátai között egyensúlyoznak.

Az MIT (Massachusetts Institute of Technology) kutatói új eljárást találtak ki robotkarok formájának és irányításának speciális feladatra való optimalizálásához. Szoftver módosítja a tervet, szimulálja a feladat végrehajtását, pontozza a tervezést és a vezérlést.

A feladatorientált optimalizálás széleskörű gyártási és raktározási alkalmazásokkal kecsegtet, amelyekben repetitív tevékenység megvalósítására, de a különféle munkákhoz különféle robotkarokra lenne szükség.

A rendszer működésének teszteléséhez a kutatók első lépésben földön lévő dobozt megfordító robotikus ujjat készítettek. Az ujjvég szerkezetét egy algoritmus úgy optimalizálta, hogy hátsó oldalába akadva, megfordítsa a dobozt.

Összerakáshoz is fejlesztettek modellt – a kétujjas szerkezet egy kis kockát tett egy nagyobb tartóba. Az eltérő hosszúságú ujjak különböző méretű tárgyakat tudnak mozgatni.

Az ujj „ízületeinek” mindent leegyszerűsítő optimalizálása (ez a bevett gyakorlat) komplex feladatok elvégzéséhez szükséges komplex tervek megvalósításakor sok problémát jelent, korlátozza a lehetőségeket. Az MIT-s kutatók az úgynevezett „ketrecalapú deformációban” találták meg a megoldást – egy alakzat formája valósidőben megváltoztatható, eltorzítható. Az algoritmus automatikusan módosít a ketrecen, természetesebbé, a komplex robotujj számára könnyebben kezelhetővé teszi azt.

A kar tervezéséhez és vezérléséhez a kivitelezést pontozó szimulátort is fejlesztettek, és kiderült, hogy módszerükkel gyorsabban és jobb megoldások találhatók, mintha a robotikus tárgymozgatás megvalósításához eddig alkalmazott megerősítéses tanulásalapú algoritmusokkal dolgoznának.