Pengawal rangkaian saraf menyediakan kestabilan untuk robot kompleks, membuka jalan untuk penggunaan kenderaan autonomi dan mesin industri yang lebih selamat. Penyelidik di Institut Teknologi Massachusetts telah membangunkan algoritma yang cekap untuk mengesahkan fungsi Lyapunov dalam sistem yang kompleks, memastikan kestabilan dan keselamatan robot dikawal rangkaian saraf dalam pelbagai persekitaran.
Rangkaian saraf mempunyai impak yang besar terhadap cara jurutera mereka bentuk pengawal robot, menghasilkan mesin yang lebih mudah disesuaikan dan cekap. Walau bagaimanapun, sistem pembelajaran mesin seperti otak ini juga merupakan pedang bermata dua: kerumitan mereka menjadikannya berkuasa, tetapi mereka juga bergelut untuk memastikan robot yang dikuasakan oleh rangkaian saraf boleh melakukan tugas mereka dengan selamat.
Cara tradisional untuk mengesahkan keselamatan dan kestabilan adalah melalui teknik yang dipanggil fungsi Lyapunov. Jika anda boleh menjumpai fungsi Lyapunov dengan nilai yang menurun secara konsisten, maka anda boleh mengetahui bahawa ketidakamanan atau ketidakstabilan yang dikaitkan dengan nilai yang lebih tinggi tidak akan berlaku. Walau bagaimanapun, untuk robot yang dikawal oleh rangkaian saraf, kaedah sebelumnya untuk mengesahkan keadaan Lyapunov tidak berskala baik kepada mesin yang kompleks.
Penyelidik di Makmal Sains Komputer dan Kepintaran Buatan (CSAIL) MIT dan institusi lain kini telah membangunkan teknologi baharu yang membolehkan pensijilan ketat pengkomputeran Lyapunov dalam sistem yang lebih kompleks. Algoritma dengan cekap mencari dan mengesahkan fungsi Lyapunov, yang memberikan jaminan kestabilan untuk sistem. Pendekatan ini berpotensi untuk menjadikan penggunaan robot dan kenderaan autonomi, termasuk kapal terbang dan kapal angkasa, lebih selamat.
Untuk mengatasi algoritma sebelumnya, para penyelidik menemui jalan pintas penjimatan wang dalam proses latihan dan pengesahan. Mereka menjana contoh balas kos yang lebih rendah-contohnya, data lawan daripada penderia yang boleh melumpuhkan pengawal-dan kemudian mengoptimumkan sistem robotik untuk menangani contoh balas tersebut. Memahami kes kelebihan ini membantu pembelajaran mesin mengendalikan situasi yang mencabar, membolehkannya beroperasi dengan selamat dalam julat keadaan yang lebih luas berbanding sebelum ini. Mereka kemudiannya membangunkan formula pengesahan baru yang mampu menggunakan pengesah rangkaian saraf berskala , -CROWN, untuk memberikan jaminan kes terburuk yang ketat sebagai tambahan kepada contoh balas.
"Kami telah melihat beberapa prestasi empirikal yang mengagumkan pada mesin dikawal AI seperti robot humanoid dan anjing robot, tetapi pengawal AI ini tidak mempunyai jaminan formal yang penting untuk sistem kritikal keselamatan." "Kerja kami menutup jurang antara tahap prestasi pengawal rangkaian saraf dan jaminan keselamatan yang diperlukan untuk menggunakan pengawal rangkaian saraf yang lebih kompleks di dunia nyata," kata Lujie Yang, pelajar PhD dalam bidang kejuruteraan elektrik dan sains komputer (EECS) di Institut Teknologi Massachusetts dan penyelidik gabungan CSAIL. "
Dalam demonstrasi digital, pasukan itu mensimulasikan bagaimana drone quadcopter dengan sensor lidar akan stabil dalam persekitaran dua dimensi. Algoritma mereka berjaya mengarahkan dron ke kedudukan melayang yang stabil, menggunakan hanya maklumat persekitaran terhad yang disediakan oleh sensor lidar.
Dalam dua eksperimen lain, pendekatan mereka membolehkan dua sistem robotik simulasi beroperasi secara stabil di bawah julat keadaan yang lebih luas: bandul terbalik dan kenderaan mengikut laluan. Eksperimen ini, walaupun kecil, jauh lebih kompleks daripada yang mungkin dilakukan oleh pengesahan rangkaian saraf sebelumnya, terutamanya kerana ia termasuk model sensor.
"Tidak seperti masalah pembelajaran mesin biasa, penggunaan ketat rangkaian saraf sebagai fungsi Lyapunov memerlukan penyelesaian masalah pengoptimuman global yang sukar, jadi skalabiliti adalah halangan utama," kata Sicun Gao, profesor bersekutu sains komputer dan kejuruteraan di University of California, San Diego .
Ia menawarkan peningkatan ketara dalam skalabiliti dan kualiti penyelesaian berbanding kaedah sedia ada. Kerja ini membuka hala tuju menarik untuk pembangunan lanjut algoritma pengoptimuman untuk kaedah Lyapunov saraf, serta penggunaan ketat pembelajaran mendalam dalam kawalan dan robotik.
Kaedah kestabilan baharu berpotensi untuk digunakan secara meluas. Dalam aplikasi ini, keselamatan adalah yang terpenting. Ia boleh membantu memastikan kereta pandu sendiri seperti kapal terbang dan kapal angkasa memandu dengan lebih lancar. Begitu juga, dron yang menghantar item atau memetakan rupa bumi yang berbeza juga boleh mendapat manfaat daripada jaminan keselamatan ini.
Pendekatan baharu ini tidak terhad kepada robotik dan boleh membantu aplikasi lain pada masa hadapan, seperti pemprosesan bioperubatan dan industri. Walaupun teknologi ini merupakan peningkatan berbanding kerja sebelumnya dari segi kebolehskalaan, penyelidik sedang meneroka bagaimana ia boleh berprestasi lebih baik dalam sistem dengan dimensi yang lebih tinggi. Mereka juga ingin mempertimbangkan data di luar bacaan lidar, seperti imej dan awan titik.
Sebagai hala tuju penyelidikan masa hadapan, pasukan berharap dapat memberikan jaminan kestabilan yang sama untuk sistem dalam persekitaran yang tidak menentu dan terdedah kepada gangguan. Sebagai contoh, jika dron terdedah kepada tiupan angin yang kuat, penyelidik ingin memastikan ia masih terbang dengan stabil dan mencapai misi yang dimaksudkan.
Di samping itu, mereka berhasrat untuk menggunakan kaedah mereka untuk masalah pengoptimuman, dengan matlamat untuk meminimumkan masa dan jarak yang diperlukan untuk robot menyelesaikan tugas sambil mengekalkan kestabilan. dan merancang untuk mengembangkan teknologi mereka kepada robot humanoid dan mesin dunia sebenar yang lain di mana robot itu perlu stabil apabila bersentuhan dengan persekitarannya.
