Hvordan sikre stabiliteten til en robot kontrollert av et nevralt nettverk?

Aug 03, 2024 Legg igjen en beskjed

Nevrale nettverkskontrollere gir stabilitet for komplekse roboter, og baner vei for sikrere utplasseringer av autonome kjøretøy og industrielle maskiner. Forskere ved Massachusetts Institute of Technology har utviklet en effektiv algoritme for å autentisere Lyapunov-funksjonen i komplekse systemer, og sikrer stabiliteten og sikkerheten til nevrale nettverkskontrollerte roboter i en rekke miljøer.

Nevrale nettverk har hatt en enorm innvirkning på hvordan ingeniører designer robotkontrollere, og har gitt opphav til mer tilpasningsdyktige og effektive maskiner. Imidlertid er disse hjernelignende maskinlæringssystemene også et tveegget sverd: kompleksiteten deres gjør dem kraftige, men de sliter også med å sikre at roboter drevet av nevrale nettverk kan utføre oppgavene sine trygt.

 

Den tradisjonelle måten å verifisere sikkerhet og stabilitet på er gjennom en teknikk som kalles Lyapunov-funksjonen. Hvis du kan finne en Lyapunov-funksjon med en konsekvent synkende verdi, kan du vite at usikkerheten eller ustabiliteten forbundet med høyere verdier aldri vil oppstå. Imidlertid, for roboter kontrollert av nevrale nettverk, skalert de tidligere metodene for å verifisere Lyapunov-forhold ikke godt til komplekse maskiner.

 

Forskere ved MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) og andre institusjoner har nå utviklet nye teknologier som muliggjør streng sertifisering av Lyapunov-databehandling i mer komplekse systemer. Algoritmen søker og verifiserer effektivt Lyapunov-funksjonen, som gir en stabilitetsgaranti for systemet. Denne tilnærmingen har potensial til å gjøre utplasseringen av roboter og autonome kjøretøy, inkludert fly og romfartøy, tryggere.

 

For å utkonkurrere tidligere algoritmer fant forskerne en pengebesparende snarvei i opplærings- og valideringsprosessen. De genererer rimeligere moteksempler - for eksempel motstandsdata fra sensorer som kan deaktivere kontrollere - og optimaliserer deretter robotsystemet for å håndtere disse moteksemplene. Forståelse av disse kantene hjelper maskinlæring med å håndtere utfordrende situasjoner, slik at de kan operere trygt under et bredere spekter av forhold enn noen gang før. De utviklet deretter en ny verifikasjonsformel som er i stand til å bruke en skalerbar nevrale nettverksvalidator, -CROWN, for å gi strenge worst-case-garantier i tillegg til moteksempler.

 

"Vi har sett en imponerende empirisk ytelse på AI-kontrollerte maskiner som humanoide roboter og robothunder, men disse AI-kontrollerne mangler den formelle sikkerheten som er kritisk for sikkerhetskritiske systemer." "Vårt arbeid tetter gapet mellom ytelsesnivået til nevrale nettverkskontrollere og sikkerhetsgarantiene som kreves for å distribuere mer komplekse nevrale nettverkskontrollere i den virkelige verden," sa Lujie Yang, en doktorgradsstudent i elektroteknikk og informatikk (EECS) ved Massachusetts Institute of Technology og en CSAIL-tilknyttet forsker. "

 

I en digital demonstrasjon simulerte teamet hvordan en quadcopter-drone med en lidarsensor ville være stabil i et todimensjonalt miljø. Algoritmen deres styrer dronen til en stabil sveveposisjon, og bruker kun den begrensede miljøinformasjonen fra lidar-sensoren.

 

I to andre eksperimenter gjorde deres tilnærming det mulig for to simulerte robotsystemer å operere stabilt under et bredere spekter av forhold: en invertert pendel og et banefølgende kjøretøy. Selv om disse eksperimentene er små, er de mye mer komplekse enn tidligere nevrale nettverksvalideringer kan gjøre, spesielt siden de inkluderer sensormodeller.

 

"I motsetning til vanlige maskinlæringsproblemer, krever streng bruk av nevrale nettverk når Lyapunov fungerer å løse vanskelige globale optimaliseringsproblemer, så skalerbarhet er en nøkkelflaskehals," sa Sicun Gao, førsteamanuensis i informatikk og ingeniørfag ved University of California, San Diego .

 

Det gir betydelige forbedringer i skalerbarhet og løsningskvalitet sammenlignet med eksisterende metoder. Dette arbeidet åpner for spennende retninger for videreutvikling av optimaliseringsalgoritmer for den nevrale Lyapunov-metoden, samt streng bruk av dyp læring innen kontroll og robotikk.

 

Den nye stabilitetsmetoden har potensial til å bli bredt brukt. I disse applikasjonene er sikkerhet i høysetet. Det kan bidra til at selvkjørende biler som fly og romfartøy kjører jevnere. På samme måte kan droner som leverer varer eller kartlegger forskjellige terreng også dra nytte av denne sikkerhetsgarantien.

 

Den nye tilnærmingen er ikke begrenset til robotikk og kan hjelpe andre applikasjoner i fremtiden, for eksempel biomedisinsk og industriell prosessering. Mens teknologien er en forbedring i forhold til tidligere arbeid når det gjelder skalerbarhet, utforsker forskere hvordan den kan yte bedre i systemer med høyere dimensjoner. De ønsker også å vurdere data utover lidar-avlesninger, som bilder og punktskyer.

 

Som en fremtidig forskningsretning håper teamet å gi den samme stabilitetsgarantien for systemer i usikre miljøer og utsatt for interferens. For eksempel, hvis en drone blir utsatt for et kraftig vindkast, vil forskere sørge for at den fortsatt flyr stabilt og utfører sitt tiltenkte oppdrag.

 

I tillegg har de til hensikt å bruke metodene sine på optimaliseringsproblemer, med mål om å minimere tiden og avstanden som kreves for at roboten skal fullføre oppgaven samtidig som stabiliteten opprettholdes. og planlegger å utvide teknologien til humanoide roboter og andre virkelige maskiner der roboten må være stabil når den er i kontakt med omgivelsene.

 

news-400-300