يُدرّب التعلّم المعزز الروبوتات من خلال التجربة والخطأ. يقوم الروبوت بأفعال، ويتلقى مكافآت، ويُعدّل سلوكه لزيادة المكافأة إلى أقصى حد. هكذا يتعلم الكلب الجلوس للحصول على مكافأة. لا يحتاج الروبوت إلى أمثلة مُصنّفة، بل يحتاج إلى طريقة لقياس النجاح.

يعتمد هذا الإطار على عملية اتخاذ قرار ماركوفية. يراقب الروبوت حالة معينة، ويختار إجراءً، ويتلقى مكافأة، ثم ينتقل إلى حالة جديدة. الهدف هو وضع سياسة تربط الحالات بالإجراءات لتحقيق أقصى قدر من المكافأة التراكمية. يستخدم التعلم العميق المعزز الشبكات العصبية لتمثيل السياسة ودالة القيمة. وقد نجح في حل ألعاب مثل غو وأتاري، ودرب روبوتات على المشي والإمساك والطيران.

تحديات التعلم المعزز

• كفاءة العينة: تحتاج الروبوتات إلى ملايين التجارب.
• تصميم المكافآت: إن صياغة المكافأة المناسبة أمر صعب.
• النقل من المحاكاة إلى الواقع: قد تفشل السياسات المدربة في المحاكاة على الأجهزة.
• السلامة: قد يؤدي الاستكشاف إلى إتلاف الروبوت.
• تحديد المسؤولية: ما هو الإجراء الذي أدى إلى المكافأة؟

تُجرى معظم عمليات التعلم المعزز للروبوتات في بيئة محاكاة أولية. حيث يتدرب الروبوت آلاف الدورات في محرك فيزيائي، ثم ينقل هذه الممارسة إلى العالم الحقيقي. ويُسهم التوزيع العشوائي للمجال، وتغيير الاحتكاك والكتلة وضوضاء المستشعرات في المحاكاة، في جعل الممارسة أكثر متانة. ومع ذلك، لا تزال الفجوة بين المحاكاة والواقع قائمة. فقد تفشل ممارسة تسير بشكل مثالي في المحاكاة عند تطبيقها على جهاز حقيقي. ويستخدم الباحثون تقنيات تحديد النظام والتحكم التكيفي والتعلم المتبقي لسد هذه الفجوة. يتميز التعلم المعزز بقوته لأنه قادر على اكتشاف حلول لا يبتكرها البشر. كما أنه غير قابل للتنبؤ. فقد يجد الروبوت المُدرَّب باستخدام التعلم المعزز حلاً ذكياً أو حلاً خطيراً. ويُعد ضمان السلامة أثناء التعلم مشكلة مفتوحة.