Контролери неуронске мреже обезбеђују стабилност сложеним роботима, утирући пут за безбедније коришћење аутономних возила и индустријских машина. Истраживачи са Технолошког института у Масачусетсу развили су ефикасан алгоритам за аутентификацију функције Љапунова у сложеним системима, обезбеђујући стабилност и безбедност робота контролисаних неуронском мрежом у различитим окружењима.
Неуронске мреже су имале огроман утицај на то како инжењери дизајнирају контролере робота, што је довело до прилагодљивијих и ефикаснијих машина. Међутим, ови системи машинског учења слични мозгу су такође мач са две оштрице: њихова сложеност их чини моћним, али се такође боре да осигурају да роботи покретани неуронским мрежама могу безбедно да обављају своје задатке.
Традиционални начин за проверу безбедности и стабилности је техника која се зове Љапуновљева функција. Ако можете пронаћи Љапуновљеву функцију са константно опадајућом вредношћу, онда можете знати да се несигурност или нестабилност повезана са вишим вредностима никада неће појавити. Међутим, за роботе које контролишу неуронске мреже, претходне методе за верификацију услова Љапунова нису се добро прошириле на сложене машине.
Истраживачи у Лабораторији за рачунарске науке и вештачку интелигенцију МИТ (ЦСАИЛ) и другим институцијама сада су развили нове технологије које омогућавају ригорозну сертификацију рачунарства Љапунова у сложенијим системима. Алгоритам ефикасно претражује и верификује функцију Љапунова, што гарантује стабилност система. Овај приступ има потенцијал да увођење робота и аутономних возила, укључујући авионе и свемирске летелице, учини безбеднијим.
Да би надмашили претходне алгоритме, истраживачи су пронашли пречицу за уштеду новца у процесу обуке и валидације. Они генеришу јефтиније противпримере – на пример, супротстављене податке од сензора који би могли да онеспособе контролере – а затим оптимизују роботски систем да се носи са тим противпримерима. Разумевање ових рубних случајева помаже машинском учењу да се носи са изазовним ситуацијама, омогућавајући им да безбедно раде у ширем спектру услова него икада раније. Затим су развили нову формулу за верификацију која је способна да користи скалабилни валидатор неуронске мреже, -ЦРОВН, да пружи строге гаранције у најгорем случају поред контрапримера.
„Видели смо неке импресивне емпиријске перформансе на машинама које контролише вештачка интелигенција, као што су хуманоидни роботи и роботски пси, али овим АИ контролерима недостаје формална гаранција која је критична за системе који су критични за безбедност. „Наш рад затвара јаз између нивоа перформанси контролера неуронске мреже и безбедносних гаранција потребних за примену сложенијих контролера неуронске мреже у стварном свету“, рекао је Лујие Јанг, докторант електротехнике и рачунарских наука (ЕЕЦС) на Технолошки институт у Масачусетсу и истраживач који је повезан са ЦСАИЛ-ом. "
У дигиталној демонстрацији, тим је симулирао како ће дрон квадрокоптер са лидар сензором бити стабилан у дводимензионалном окружењу. Њихов алгоритам успешно усмерава дрон у стабилну позицију лебдења, користећи само ограничене информације о животној средини које даје лидар сензор.
У два друга експеримента, њихов приступ је омогућио да два симулирана роботска система раде стабилно у ширем спектру услова: преокренуто клатно и возило које прати путању. Ови експерименти, иако мали, много су сложенији од претходних провера неуронске мреже, посебно зато што укључују моделе сензора.
„За разлику од уобичајених проблема машинског учења, стриктна употреба неуронских мрежа као Љапуновљевих функција захтева решавање тешких глобалних проблема оптимизације, тако да је скалабилност кључно уско грло“, рекао је Сицун Гао, ванредни професор рачунарских наука и инжењерства на Универзитету Калифорније у Сан Дијегу. .
Нуди значајна побољшања у скалабилности и квалитету решења у поређењу са постојећим методама. Овај рад отвара узбудљиве правце за даљи развој алгоритама оптимизације за неуронску методу Љапунова, као и ригорозну употребу дубоког учења у контроли и роботици.
Нова метода стабилности има потенцијал за широку примену. У овим апликацијама безбедност је најважнија. Може помоћи да се аутомобили који се сами возе, као што су авиони и свемирске летелице, возе углађеније. Слично томе, дронови који испоручују предмете или мапирају различите терене такође могу имати користи од ове безбедносне гаранције.
Нови приступ није ограничен на роботику и може помоћи другим апликацијама у будућности, као што су биомедицинска и индустријска обрада. Иако је технологија побољшање у односу на претходни рад у смислу скалабилности, истраживачи истражују како може да ради боље у системима са већим димензијама. Они такође желе да размотре податке изван очитавања лидара, као што су слике и облаци тачака.
Као будући правац истраживања, тим се нада да ће обезбедити исту гаранцију стабилности за системе у несигурним окружењима и подложним сметњама. На пример, ако је дрон изложен јаком налету ветра, истраживачи желе да се увере да и даље стабилно лети и да испуњава своју предвиђену мисију.
Поред тога, намеравају да примене своје методе на проблеме оптимизације, са циљем да минимизирају време и раздаљину потребне да робот заврши задатак уз одржавање стабилности. и планира да прошире своју технологију на хуманоидне роботе и друге машине из стварног света где робот треба да буде стабилан када је у контакту са околином.
