Els controladors de xarxa neuronal proporcionen estabilitat per a robots complexos, obrint el camí per a desplegaments més segurs de vehicles autònoms i màquines industrials. Investigadors de l'Institut Tecnològic de Massachusetts han desenvolupat un algorisme eficient per autenticar la funció de Lyapunov en sistemes complexos, garantint l'estabilitat i la seguretat dels robots controlats per xarxes neuronals en diversos entorns.
Les xarxes neuronals han tingut un gran impacte en com els enginyers dissenyen els controladors de robots, donant lloc a màquines més adaptables i eficients. Tanmateix, aquests sistemes d'aprenentatge automàtic semblants al cervell també són una arma de doble tall: la seva complexitat els fa poderosos, però també lluiten per garantir que els robots alimentats per xarxes neuronals puguin fer les seves tasques amb seguretat.
La forma tradicional de verificar la seguretat i l'estabilitat és mitjançant una tècnica anomenada funció Lyapunov. Si podeu trobar una funció de Lyapunov amb un valor decreixent constantment, podeu saber que la inseguretat o la inestabilitat associades a valors més alts no es produiran mai. Tanmateix, per als robots controlats per xarxes neuronals, els mètodes anteriors per verificar les condicions de Lyapunov no s'han adaptat bé a màquines complexes.
Els investigadors del MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) i altres institucions han desenvolupat noves tecnologies que permeten una certificació rigorosa de la informàtica Lyapunov en sistemes més complexos. L'algorisme cerca i verifica de manera eficient la funció Lyapunov, que proporciona una garantia d'estabilitat per al sistema. Aquest enfocament té el potencial de fer més segur el desplegament de robots i vehicles autònoms, inclosos avions i naus espacials.
Per superar els algorismes anteriors, els investigadors van trobar una drecera per estalviar diners en el procés de formació i validació. Generen contraexemples de menor cost, per exemple, dades contradictòries de sensors que podrien desactivar els controladors, i després optimitzen el sistema robòtic per fer front a aquests contraexemples. Entendre aquests casos extrems ajuda l'aprenentatge automàtic a gestionar situacions difícils, cosa que els permet operar amb seguretat en un ventall de condicions més ampli que mai. A continuació, van desenvolupar una nova fórmula de verificació capaç d'utilitzar un validador de xarxes neuronals escalable, -CROWN, per oferir garanties estrictes en el pitjor dels casos, a més de contraexemples.
"Hem vist un rendiment empíric impressionant en màquines controlades per IA, com ara robots humanoides i gossos robots, però aquests controladors d'IA no tenen la garantia formal que és fonamental per als sistemes crítics per a la seguretat". "El nostre treball tanca la bretxa entre el nivell de rendiment dels controladors de xarxes neuronals i les garanties de seguretat necessàries per desplegar controladors de xarxes neuronals més complexos al món real", va dir Lujie Yang, estudiant de doctorat en enginyeria elèctrica i informàtica (EECS). l'Institut Tecnològic de Massachusetts i un investigador afiliat al CSAIL. "
En una demostració digital, l'equip va simular com un drone quadcopter amb un sensor lidar seria estable en un entorn bidimensional. El seu algorisme dirigeix amb èxit el drone a una posició flotant estable, utilitzant només la informació ambiental limitada proporcionada pel sensor lidar.
En altres dos experiments, el seu enfocament va permetre que dos sistemes robòtics simulats funcionin de manera estable en un ventall més ampli de condicions: un pèndol invertit i un vehicle que segueix el camí. Aquests experiments, encara que són petits, són molt més complexos que les validacions anteriors de xarxes neuronals, sobretot perquè inclouen models de sensors.
"A diferència dels problemes comuns d'aprenentatge automàtic, l'ús estricte de les xarxes neuronals com a funcions de Lyapunov requereix resoldre problemes d'optimització global difícils, de manera que l'escalabilitat és un coll d'ampolla clau", va dir Sicun Gao, professor associat d'enginyeria i ciència informàtica a la Universitat de Califòrnia, San Diego. .
Ofereix millores significatives en l'escalabilitat i la qualitat de la solució en comparació amb els mètodes existents. Aquest treball obre direccions interessants per al desenvolupament posterior d'algoritmes d'optimització per al mètode neuronal Lyapunov, així com l'ús rigorós de l'aprenentatge profund en control i robòtica.
El nou mètode d'estabilitat té el potencial d'aplicar-se àmpliament. En aquestes aplicacions, la seguretat és primordial. Pot ajudar a garantir que els cotxes autònoms com ara avions i naus espacials condueixin amb més facilitat. De la mateixa manera, els drons que entreguen articles o cartografian diferents terrenys també es poden beneficiar d'aquesta garantia de seguretat.
El nou enfocament no es limita a la robòtica i pot ajudar altres aplicacions en el futur, com ara el processament biomèdic i industrial. Tot i que la tecnologia és una millora respecte al treball anterior en termes d'escalabilitat, els investigadors estan explorant com pot funcionar millor en sistemes amb dimensions més altes. També volen tenir en compte dades més enllà de les lectures lidar, com ara imatges i núvols de punts.
Com a futura direcció d'investigació, l'equip espera oferir la mateixa garantia d'estabilitat per als sistemes en entorns incerts i susceptibles a interferències. Per exemple, si un dron està exposat a una forta ràfega de vent, els investigadors volen assegurar-se que encara vola de manera estable i compleix la missió prevista.
A més, tenen la intenció d'aplicar els seus mètodes a problemes d'optimització, amb l'objectiu de minimitzar el temps i la distància que requereix el robot per completar la tasca mantenint l'estabilitat. i té previst ampliar la seva tecnologia a robots humanoides i altres màquines del món real on el robot ha de ser estable quan està en contacte amb el seu entorn.
