Esploristoj ĉe Georgia Tech prezentis novan kadron por trejni tutkorpan kontrolilon por humanoida roboto, kiu estas pli rapida kaj malpli multekosta ol kelkaj tradiciaj aliroj. La teamo testis la sistemon en simulilo kaj poste sur fizika roboto, marŝante super sablo, malseka herbejo, gruzo, deklivoj, ŝtuparoj kaj ebenaj teritorioj trovitaj sur la kampuso aŭ facile simulitaj. La roboto adaptiĝis ankaŭ kiam esploristoj puŝis kaj tiris ĝin.
La aliro revizas fortigon-lernan metodon nomatan instruisto kaj studento. En la normala metodo, simula "instruisto" unue estas trejnata uzante detalan informon pri la simulilo; poste tiu instruisto instruas "studentan" agenton, kiu funkcias kun pli limigita sensoro- kaj modela informo. La esploristoj identigis du ĉefajn problemojn: la sekvenca trejnado postulas multe da tempo kaj utila informo de la instruisto povas perdiĝi, kaj ĝenerale la trejnado estas multekosta ĉar simuliloj bezonas multajn horojn da kalkulado sur GPU-ĉipoj.
Ilia solvo estas samtempa trejnado: instruisto kaj studanto lernas samtempe, la instruisto laŭgrade instruiĝas kaj samtempe lernas de datumoj produktitaj de la studenta agento. Tio reduktas la imitmanĝanĝon inter instruisto kaj studento kaj ŝparas komputan tempon. Feiyang Wu prezentis la kadron "Lerni Instrui" (Learn to Teach) ĉe la IEEE-konferenco, kaj la laboro estas subtenata de Office of Naval Research, la US Department of Agriculture kaj la National Science Foundation.
