Neironu tīkla kontrolleri nodrošina sarežģītu robotu stabilitāti, paverot ceļu drošākai autonomo transportlīdzekļu un rūpniecisko mašīnu izvietošanai. Masačūsetsas Tehnoloģiju institūta pētnieki ir izstrādājuši efektīvu algoritmu Ļapunova funkcijas autentificēšanai sarežģītās sistēmās, nodrošinot neironu tīkla vadīto robotu stabilitāti un drošību dažādās vidēs.
Neironu tīkliem ir bijusi milzīga ietekme uz to, kā inženieri izstrādā robotu kontrolierus, radot pielāgojamākas un efektīvākas mašīnas. Tomēr šīs smadzenēm līdzīgās mašīnmācīšanās sistēmas ir arī abpusēji griezīgs zobens: to sarežģītība padara tās spēcīgas, taču tām arī ir grūti nodrošināt, lai roboti, kurus darbina neironu tīkli, varētu droši veikt savus uzdevumus.
Tradicionālais veids, kā pārbaudīt drošību un stabilitāti, ir paņēmiens, ko sauc par Ļapunova funkciju. Ja jūs varat atrast Ļapunova funkciju ar nemainīgi samazinošu vērtību, tad jūs varat zināt, ka nedrošība vai nestabilitāte, kas saistīta ar augstākām vērtībām, nekad nenotiks. Tomēr robotiem, kurus kontrolē neironu tīkli, iepriekšējās Ļapunova apstākļu pārbaudes metodes nebija piemērotas sarežģītām mašīnām.
MIT Datorzinātnes un mākslīgā intelekta laboratorijas (CSAIL) un citu institūciju pētnieki tagad ir izstrādājuši jaunas tehnoloģijas, kas ļauj stingri sertificēt Lyapunova skaitļošanu sarežģītākās sistēmās. Algoritms efektīvi meklē un pārbauda Lyapunov funkciju, kas nodrošina sistēmas stabilitātes garantiju. Šī pieeja var padarīt drošāku robotu un autonomu transportlīdzekļu, tostarp lidmašīnu un kosmosa kuģu, izvietošanu.
Lai pārspētu iepriekšējos algoritmus, pētnieki atrada naudas taupīšanas saīsni apmācības un apstiprināšanas procesā. Tie ģenerē zemākas izmaksas pretpiemērus, piemēram, pretrunīgus datus no sensoriem, kas varētu atspējot kontrolierus, un pēc tam optimizē robotu sistēmu, lai tiktu galā ar šiem pretpiemēriem. Izpratne par šiem malas gadījumiem palīdz mašīnmācībai tikt galā ar sarežģītām situācijām, ļaujot tām droši darboties plašākā apstākļu diapazonā nekā jebkad agrāk. Pēc tam viņi izstrādāja jaunu verifikācijas formulu, kas spēj izmantot mērogojamu neironu tīkla validatoru -CROWN, lai papildus pretpiemēriem nodrošinātu stingras sliktākā gadījuma garantijas.
"Mēs esam redzējuši iespaidīgu empīrisku veiktspēju ar AI kontrolētām mašīnām, piemēram, humanoīdiem robotiem un robotu suņiem, taču šiem AI kontrolieriem trūkst formālas garantijas, kas ir būtiska drošībai kritiskām sistēmām." "Mūsu darbs novērš plaisu starp neironu tīklu kontrolleru veiktspējas līmeni un drošības garantijām, kas nepieciešamas, lai reālajā pasaulē izvietotu sarežģītākus neironu tīkla kontrollerus," sacīja elektrotehnikas un datorzinātņu (EECS) doktorants Lujie Yang. Masačūsetsas Tehnoloģiju institūts un ar CSAIL saistīts pētnieks. "
Digitālā demonstrācijā komanda simulēja, kā kvadrakoptera drons ar lidara sensoru būtu stabils divdimensiju vidē. Viņu algoritms veiksmīgi virza dronu uz stabilu lidošanas pozīciju, izmantojot tikai ierobežoto vides informāciju, ko nodrošina lidara sensors.
Divos citos eksperimentos viņu pieeja ļāva divām simulētām robotizētām sistēmām stabili darboties plašākos apstākļos: apgriezts svārsts un transportlīdzeklis, kas seko ceļam. Šie eksperimenti, lai arī mazi, ir daudz sarežģītāki nekā iepriekšējās neironu tīklu validācijas, jo īpaši tāpēc, ka tie ietver sensoru modeļus.
"Atšķirībā no parastajām mašīnmācīšanās problēmām, stingrai neironu tīklu izmantošanai kā Ļapunova funkcijām ir jāatrisina sarežģītas globālās optimizācijas problēmas, tāpēc mērogojamība ir galvenais vājais kakls," sacīja Kalifornijas Universitātes Sandjego datorzinātņu un inženierzinātņu asociētais profesors Sikuns Gao. .
Tas piedāvā ievērojamus uzlabojumus mērogojamībā un risinājumu kvalitātē salīdzinājumā ar esošajām metodēm. Šis darbs paver aizraujošus virzienus neironu Ļapunova metodes optimizācijas algoritmu tālākai attīstībai, kā arī stingrai dziļās mācīšanās izmantošanai kontrolē un robotikā.
Jauno stabilitātes metodi var plaši izmantot. Šajos lietojumos drošība ir vissvarīgākā. Tas var palīdzēt nodrošināt, lai pašbraucošās automašīnas, piemēram, lidmašīnas un kosmosa kuģi, brauktu vienmērīgāk. Tāpat šī drošības garantija var gūt labumu arī droni, kas piegādā preces vai kartē dažādus reljefus.
Jaunā pieeja neaprobežojas tikai ar robotiku un nākotnē var palīdzēt citiem lietojumiem, piemēram, biomedicīnas un rūpnieciskās apstrādes jomā. Lai gan tehnoloģija ir uzlabojums salīdzinājumā ar iepriekšējo darbu mērogojamības ziņā, pētnieki pēta, kā tā var labāk darboties sistēmās ar lielākiem izmēriem. Viņi arī vēlas ņemt vērā datus, kas pārsniedz lidara rādījumus, piemēram, attēlus un punktu mākoņus.
Kā nākotnes pētniecības virziens komanda cer nodrošināt tādu pašu stabilitātes garantiju sistēmām nenoteiktās vidēs un jutīgās pret traucējumiem. Piemēram, ja drons ir pakļauts spēcīgai vēja brāzmai, pētnieki vēlas pārliecināties, vai tas joprojām lido stabili un izpilda paredzēto uzdevumu.
Turklāt viņi plāno pielietot savas metodes optimizācijas problēmu risināšanai, lai samazinātu laiku un attālumu, kas nepieciešams robotam, lai izpildītu uzdevumu, vienlaikus saglabājot stabilitāti. un plāno paplašināt savu tehnoloģiju, iekļaujot humanoīdu robotus un citas reālās pasaules mašīnas, kur robotam ir jābūt stabilam, saskaroties ar apkārtējo vidi.
