In their prototype, the robot drops

In their prototype, the robot drops salvaged items on to a second conveyor belt. Overhead cameras monitor what the robot has grabbed and essentially grade its performance. Each success and failure is used to tweak the algorithm controlling the robot, improving its performance over time.
Once the machine learning system is in place, the robots can be given more advanced hardware. With a flexible arm they could learn to pick up and throw trash far more effectively, says Holopainen. “It would be able to throw things with quite frightening accuracy and force.”
Machine learning has reached a point where it really is beginning to solve control problems that traditional approaches to programming cannot, says Jeremy Wyatt, a professor of Robotics and Artificial Intelligence at the University of Birmingham, UK. “This is a set of problems that everyone is trying to solve,” he says.

Результаты (русский) 1:

В их прототип робота удаляет оставшиеся элементы на второй конвейер. Воздушные камеры контролировать, что робот схватил и по существу класс его производительность. Каждый успех и отказ используется для настройки алгоритма, управляя роботом, повышение его производительности с течением времени. Как только машина системы обучения роботов могут быть предоставлены более продвинутые оборудования. С гибкой рукой, которую они могли бы учиться, чтобы забрать и бросать мусор гораздо более эффективно-говорит Холопайнена. «Было бы возможность бросать вещи с довольно пугающей точностью и силой». Машина обучения достигла точки, где он действительно начинает решать проблемы управления, что традиционные подходы к программированию говорит Джереми Wyatt, профессор робототехники и искусственного интеллекта в университете Бирмингема, Великобритания. «Это набор проблем, которые все пытаются решить»,-говорит он.

Результаты (русский) 2:

В своем прототипе, робот капли спасенных элементы на второй конвейерной ленте. Накладные камеры контролировать то , что робот схватил и , по существу оценка его производительность. Каждый успех и неудача используется для настройки алгоритма управлени роботом, повышения эффективности его работы в течение долгого времени.
После того как система машинного обучения на месте, роботы могут быть предоставлены более современное оборудование. С гибкой рукой они могли бы научиться подобрать и гораздо более эффективно бросать мусор, говорит Холопайнен. "Было бы в состоянии бросить вещи с довольно пугающей точностью и силой."
Машинное обучение достиг точки , где она действительно начинает решать проблемы управления , что традиционные подходы к программированию не может, говорит Джереми Уайатт, профессор робототехники и искусственного интеллекта в университет Бирмингема, Великобритания. "Это набор проблем , которые каждый пытается решить," говорит он.

Результаты (русский) 3:

в их прототип робота на salvaged проекта, капли на второй конвейер."Анчелотти воздушные камеры мониторинга робот и ее предоставление основных уровня производительности.каждый успех и не используется для корректировки позиции робот алгоритм контроля, повышения ее эффективности на время.после того, как машина системы обучения в местных, робот может быть более передовые аппаратные.гибкий руку, они могут научиться взял мусор и бросок гораздо более эффективно, holopainen сказал."это будет очень ужасные вещи, точность и силы".машинное обучение достигли A точка начала, это действительно решить проблему, традиционные методы контроля не Джереми Уайатт говорит, что программирование робота и искусственного интеллекта, профессор университета A в Бирмингем, Великобритания."это все - это набор пытается решить проблему", - сказал он.