当涉及重负荷工作时，机器人被认为是宝贵的资产。在执行几乎没有错误空间的任务时，它们非常可靠。大多数机器人用于执行可能对人类构成危险或过于困难且需要大量时间的作业。由于可以对机器人进行编程以执行特定任务，因此它们被认为是高度可靠的。
为了教机器人如何执行给定的任务并有效地导航环境，计算机科学家和机器人专家一直在使用强化学习（RL）方法。这本身是相当困难的，但是最大的挑战在于建造负担得起的机器人，该机器人还能够支持和处理与强化学习（RL）算法相关的控件。
为了解决这个问题，阿尔托大学和Ote Robotics的研究人员现在提出了RealAnt。RealAnt是四足机器人，可用于测试和执行RL算法。该机器人的制造成本非常低。
我们工作的最初灵感是RL研究，该研究成功地证明了在类似蚂蚁的四足机器人和人形机器人仿真中从零开始的学习。
采用RL算法的基本前提是，对机器人编程以执行任务变得更加容易和更加'自然'-只需定义可用的传感器测量值，运动功能，然后设定目标并插入它们即可全部纳入强化学习算法，该算法将找出其余的算法。
该研究的结果发表在关于arXiv的论文中。Jussi Sainio和他的同事进行这项研究的原因是要开发一种机器人平台，该平台既简单又成本低廉，但也基于现有的基准RL解决方案。
这种平台一旦投入使用，将使更多的研究人员能够构建和测试诸如RealAnt之类的自主机器人。该机器人能够以非常协调的方式移动其腿来学习如何自行行走。该机器人还能够在任何环境下感应其正确的位置和方向。
人们可以将RealAnt平台视为'Ant'模拟器环境的真实版本，这是RL的流行基准。
这是强化学习和现实机器人入门的最简单平台之一。RealAnt平台的主要优势在于，它易于使用且价格低廉。
RealAnt机器人不仅价格便宜，而且制造速度也非常快。组装好所有单个零件后，即可在不到一个小时的时间内将其组装在一起。同样，制造此机器人所需的所有组件也非常容易获得。如果这不是最好的部分，那么制造该机器人的总成本仅为410美元。
该机器人目前可在Ote Robotics网站上在线购买。该机器人已经在现实生活中的实验和模拟中有效地发挥了作用
