Un sistema de robot normalmente está representado por el bucle “acto de plan de sentido”. donde un robot detecta su entorno y percibe información semánticamente válida del mismo. Luego, planifica un curso de acción basado en sus objetivos y en los aportes del paso “sentido”. Después de eso, actúa o actúa el plan. Esto sucede repetidamente para garantizar que el robot responda a cualquier cambio en la entrada o el entorno. Las heurísticas se usan e implementan comúnmente en cada paso de este proceso.
Sentido: Las implementaciones de reconocimiento de objetos, clasificación y segmentación suelen utilizar enfoques heurísticos y probabilísticos en lugar de los clásicos (globalmente óptimos).
Plan: la mayoría de los planificadores de ruta global y local en robótica suelen utilizar la heurística para reducir los gastos de computación y el tiempo.
- ¿Cómo se manejan las metáforas en AI / NLP / ML?
- Con la presencia de motores de ajedrez avanzados y redes neuronales, ¿pueden los humanos aprender a vencer a las computadoras?
- ¿Puede un robot pasar una prueba de Turing 'inversa'? ¿Por qué? ¿A qué proporción de éxito?
- ¿Debo comprar una computadora portátil para juegos para aprendizaje automático / aprendizaje profundo?
- ¿Qué sucederá cuando la IA supere la inteligencia humana (HI)?
Los algoritmos de control multidimensional generalmente dependen de la heurística para garantizar que las entradas de control proporcionadas a los robots sean oportunas y no óptimas a nivel mundial.
Un robot que usa enfoques heurísticos en sus pasos intermedios a menudo también está resolviendo su problema final en un sentido heurístico. En lugar de encontrar una solución globalmente óptima, los robots tienden a encontrar soluciones semióptimas y viables para el problema general. Esto también es ventajoso, ya que en los sistemas dinámicos Óptima global puede hacer grandes saltos discretos, mientras que una combinación de óptimas locales solo cambiará gradualmente en pasos de tiempo discretos.