Controlerele rețelei neuronale oferă stabilitate roboților complecși, deschizând calea pentru implementări mai sigure de vehicule autonome și mașini industriale. Cercetătorii de la Massachusetts Institute of Technology au dezvoltat un algoritm eficient pentru a autentifica funcția Lyapunov în sisteme complexe, asigurând stabilitatea și siguranța roboților controlați de rețele neuronale într-o varietate de medii.
Rețelele neuronale au avut un impact uriaș asupra modului în care inginerii proiectează controlere de roboți, dând naștere la mașini mai adaptabile și mai eficiente. Cu toate acestea, aceste sisteme de învățare automată asemănătoare creierului sunt, de asemenea, o sabie cu două tăișuri: complexitatea lor le face puternice, dar se luptă și să se asigure că roboții alimentați de rețele neuronale își pot îndeplini sarcinile în siguranță.
Modul tradițional de a verifica securitatea și stabilitatea este printr-o tehnică numită funcția Lyapunov. Dacă puteți găsi o funcție Lyapunov cu o valoare în scădere constantă, atunci puteți ști că insecuritatea sau instabilitatea asociate cu valori mai mari nu vor apărea niciodată. Cu toate acestea, pentru roboții controlați de rețele neuronale, metodele anterioare pentru verificarea condițiilor Lyapunov nu s-au adaptat bine la mașinile complexe.
Cercetătorii de la MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) și alte instituții au dezvoltat acum noi tehnologii care permit certificarea riguroasă a calculului Lyapunov în sisteme mai complexe. Algoritmul caută și verifică eficient funcția Lyapunov, care oferă o garanție a stabilității sistemului. Această abordare are potențialul de a face mai sigură desfășurarea roboților și a vehiculelor autonome, inclusiv avioane și nave spațiale.
Pentru a depăși algoritmii anteriori, cercetătorii au găsit o scurtătură care economisește bani în procesul de instruire și validare. Ei generează contraexemple cu costuri mai mici - de exemplu, date adverse de la senzori care ar putea dezactiva controlerele - și apoi optimizează sistemul robotizat pentru a face față acestor contraexemple. Înțelegerea acestor cazuri marginale ajută învățarea automată să facă față situațiilor dificile, permițându-le să opereze în siguranță într-o gamă mai largă de condiții decât oricând. Ei au dezvoltat apoi o nouă formulă de verificare capabilă să utilizeze un validator scalabil al rețelei neuronale, -CROWN, pentru a oferi garanții stricte în cazul cel mai rău, în plus față de contraexemple.
„Am văzut performanțe empirice impresionante pe mașinile controlate de AI, cum ar fi roboții umanoizi și câinii-roboți, dar acestor controlere AI le lipsește asigurarea formală care este esențială pentru sistemele critice pentru siguranță.” „Munca noastră reduce decalajul dintre nivelul de performanță al controlerelor de rețele neuronale și garanțiile de securitate necesare pentru a implementa controlere de rețele neuronale mai complexe în lumea reală”, a declarat Lujie Yang, doctorand în inginerie electrică și științe informatice (EECS) la Institutul de Tehnologie din Massachusetts și un cercetător afiliat CSAIL. "
Într-o demonstrație digitală, echipa a simulat modul în care o dronă quadcopter cu un senzor lidar ar fi stabilă într-un mediu bidimensional. Algoritmul lor conduce cu succes drona într-o poziție stabilă de plutire, folosind doar informațiile limitate de mediu furnizate de senzorul lidar.
În alte două experimente, abordarea lor a permis două sisteme robotizate simulate să funcționeze stabil într-o gamă mai largă de condiții: un pendul inversat și un vehicul care urmărește calea. Aceste experimente, deși mici, sunt mult mai complexe decât ar putea face validările anterioare ale rețelelor neuronale, mai ales că includ modele de senzori.
„Spre deosebire de problemele obișnuite de învățare automată, utilizarea strictă a rețelelor neuronale ca funcții Lyapunov necesită rezolvarea problemelor dificile de optimizare globală, astfel încât scalabilitatea este un blocaj cheie”, a declarat Sicun Gao, profesor asociat de informatică și inginerie la Universitatea California, San Diego. .
Oferă îmbunătățiri semnificative ale scalabilității și calității soluției în comparație cu metodele existente. Această lucrare deschide direcții interesante pentru dezvoltarea în continuare a algoritmilor de optimizare pentru metoda neuronală Lyapunov, precum și utilizarea riguroasă a învățării profunde în control și robotică.
Noua metodă de stabilitate are potențialul de a fi aplicată pe scară largă. În aceste aplicații, siguranța este primordială. Acesta poate ajuta la asigurarea că mașinile care se conduc singure, cum ar fi avioanele și navele spațiale, circulă mai lin. În mod similar, dronele care livrează articole sau cartografiază diferite terenuri pot beneficia și ele de această garanție de securitate.
Noua abordare nu se limitează la robotică și poate ajuta alte aplicații în viitor, cum ar fi procesarea biomedicală și industrială. În timp ce tehnologia reprezintă o îmbunătățire față de lucrările anterioare în ceea ce privește scalabilitatea, cercetătorii explorează modul în care poate funcționa mai bine în sisteme cu dimensiuni mai mari. De asemenea, doresc să ia în considerare date dincolo de citirile lidar, cum ar fi imaginile și norii de puncte.
Ca direcție viitoare de cercetare, echipa speră să ofere aceeași garanție de stabilitate pentru sistemele din medii incerte și susceptibile la interferențe. De exemplu, dacă o dronă este expusă la o rafală puternică de vânt, cercetătorii vor să se asigure că încă zboară stabil și își îndeplinește misiunea propusă.
În plus, intenționează să-și aplice metodele la problemele de optimizare, cu scopul de a minimiza timpul și distanța necesare robotului pentru a finaliza sarcina menținând în același timp stabilitatea. și intenționează să-și extindă tehnologia la roboți umanoizi și alte mașini din lumea reală în care robotul trebuie să fie stabil atunci când intră în contact cu împrejurimile sale.
