Pēdējos gados datorzinātnieki ir izveidojuši arvien sarežģītākus algoritmus, lai vadītu robotu aģentu kustības. Tās ietver modeļu prognozēšanas kontroles (MPC) stratēģijas, kas izmanto aģenta dinamikas modeli, lai optimizētu tā tuvošanos noteiktam mērķim, vienlaikus izpildot ierobežojumu kopumu (piemēram, nesaduroties ar šķēršļiem).
Modeļu paredzamās kontroles stratēģijas un mākslīgo neironu tīklu tehnoloģijas
Reāllaika neironu MPC ir sistēma, kas integrē sarežģītas modeļu arhitektūras, kuru pamatā ir mākslīgie neironu tīkli (ANN), MPC sistēmā mobilajiem robotiem (t.i., kvadrotoriem-droniem). To nesen izstrādāja Minhenes Tehniskās universitātes un Cīrihes universitātes pētnieki. Šī ideja, par kuru ziņots IEEE Robotics and Automation Letters, paplašina ideju, ko iepriekš izveidoja Cīrihes Universitātes Robotikas un uztveres grupa.
Tims Zalcmans un Markuss Rails Tech, Minhenes Tehniskās universitātes Autonomo Air Systems Group pētnieki teica: “Mēs saskārāmies ar izcilo Robotikas un sensoru grupas darbu, ko vadīja Davide Scaramuzza, lai izstrādātu savu pamatideju par datu esamību. - vadīti (apgūti) komponenti, kas nodrošina "tradicionālo" vadības algoritmu darbību. Mēs uzreiz bijām aizrāvušies.
"Pēc tam, kad tika izstrādāts koncepcijas pierādījums, lai paplašinātu savu pieeju, izmantojot Gausa procesus (GP) uz vispārējiem neironu tīkliem (dziļās mācīšanās modeļiem), mēs prezentējām savu ideju Cīrihes Universitātes Robotikas un uztveres grupai. Kopš šī brīža abu laboratoriju tehniskais darbs un testēšana virzījās uz priekšu un radīja jaunu partnerību.
Dziļās mācīšanās modeļi un tiešsaistes MPC optimizācija ir apvienoti jaunajā sistēmā, ko ierosināja Salzmann, Ryll et al. Dziļās mācīšanās izteiksmes modeļiem ir nepieciešams daudz aprēķinu. Tomēr sistēma var izmantot specializētu aparatūru (GPU), lai efektīvi padarītu šos modeļus tiešsaistē reāllaikā. Tas ļauj viņu sistēmām reāllaikā paredzēt robotu labāko rīcību.
Zalcmans un Rails teica: “Reāllaika neironu MPC sistēma ļauj abiem domēniem apvienot optimālu vadību un dziļu mācīšanos, vienlaikus ļaujot abām daļām izmantot savas ļoti optimizētās sistēmas un skaitļošanas ierīces. “Tātad vadības optimizāciju var veikt C kodā, kas apkopots CPU, savukārt dziļās mācīšanās aprēķinus var veikt ar GPU PyTorch/Tensorflow. Tas ļauj dziļu mācīšanos izmantot lietojumprogrammās, kas līdz šim bija nepraktiskas, piemēram, borta kvadrotora optimālā vadība.
Pētnieki novērtē savu sistēmu, izmantojot vairākas simulācijas un uz lauka balstītus testus. Šajos pētījumos to īpaši izmanto, lai reāllaikā kontrolētu ļoti mobila kvadrotora kustības.
Iespēja izmantot neironu tīklu topoloģijas ar parametru kapacitāti, kas ir 4.000 reižu lielāka nekā tās, kuras iepriekš tika izmantotas mobilo robotu kustību regulēšanai reāllaikā, ļāva tiem sasniegt ļoti daudzsološus rezultātus. Viņi arī atklāja, ka viņu izstrādātā sistēma var samazināt telpiskās izsekošanas kļūdas līdz pat 82%, salīdzinot ar tradicionālajām MPC pieejām bez dziļas mācīšanās komponenta.
Pēc Zalcmaņa un Raila teiktā, “robotikā mēs meklējam jēgpilnus vadāmo sistēmu dinamikas modeļus un to mijiedarbību ar vidi (piemēram, aerodinamiskie efekti, riepu berze utt.)”. "Lai gan tos bieži ir grūti analizēt, uz mācībām balstītas metodes, īpaši tās, kas izmanto neironu tīklus, var uztvert dinamiku un mijiedarbības efektus. Tomēr modeļa precizitāte palielinās līdz ar neironu tīkla lielumu. Ja reāllaika neironu MPC tiek izmantoti dziļās mācīšanās modeļi, modelis ir daudz jaudīgāks un efektīvāks prognozēšanas kontrolē, nekā tas bija iespējams iepriekš.
GPU mikroshēmas lēnām nonāk iegultās sistēmās, kā to demonstrē nesen ieviestā Nvidia Jetson platforma. Šī pētnieku komanda drīzumā ir izstrādājusi sistēmu, kas ļaus dizaineriem izmantot izsmalcinātu, uz datiem balstītu AI metožu augsto prognozēšanas jaudu, lai labāk modelētu robotu dinamiku un mijiedarbību ar vidi, samazinot negadījumu risku un uzlabojot navigācijas iespējas, integrējot GPU mikroshēmas.
Zalcmans un Ryls atzīmēja, ka ir daudz neizpētītu iespēju turpmākai izpētei. “Padziļināto mācību metožu rezultāts var būt neprognozējams situācijām, kas nav iekļautas apmācības datos (Neizplatīta OOD). Noturība OOD apstākļos tiks nodrošināta, atklājot šos apstākļus un nodrošinot kontroles rezerves, lai stabilizētu sistēmu.
Avots: techxplore.com/news
Günceleme: 13/03/2023 14:09