Új Módszer a Robotok Biztonságosabb Működéséhez
Az MIT Számítógéptudományi és Mesterséges Intelligencia Laboratóriumának (CSAIL) kutatói új technikákat fejlesztettek ki, amelyek szigorúan igazolják a Lyapunov-függvények számításait bonyolultabb rendszerekben. Algoritmusuk hatékonyan keresi és igazolja a Lyapunov-függvényt, stabilitási garanciát nyújtva a rendszer számára. Ez a megközelítés potenciálisan lehetővé teheti a robotok és autonóm járművek – beleértve a repülőgépeket és űrhajókat – biztonságosabb bevetését.
A kutatók egy takarékos rövidítést találtak a tréning és verifikációs folyamat során. Olcsóbb ellenpéldákat generáltak – például szenzorokból származó adverzáriális adatokat, amelyek megzavarhatták volna a vezérlőt –, majd optimalizálták a robotrendszert ezek figyelembevételével. Ezen élszituációk megértése segített a gépeknek megtanulni, hogyan kezeljék a kihívásokkal teli körülményeket, így szélesebb körű feltételek között is biztonságosan működhettek.
„Lenyűgöző empirikus teljesítményt láttunk AI-vezérelt gépekben, mint például humanoidok és robotkutyák esetében, de ezek az AI-vezérlők hiányolják azokat a formális garanciákat, amelyek létfontosságúak a biztonságkritikus rendszerek számára,” mondja Lujie Yang, az MIT villamosmérnöki és számítástechnikai (EECS) PhD hallgatója és CSAIL-affiliált, aki a projekt új tanulmányának társszerzője a Toyota Kutatóintézet kutatójával, Hongkai Dai SM ’12, PhD ’16-tal együtt. „Munkánk áthidalja a szakadékot a neural network vezérlők teljesítménye és a biztonsági garanciák között, amelyek szükségesek a bonyolultabb neural network vezérlők valós világba történő bevetéséhez,” jegyezte meg Yang.
A csapat digitális bemutatójában szimulálta, hogyan stabilizálódna egy quadrotor drón lidar szenzorokkal egy kétdimenziós környezetben. Algoritmusuk sikeresen irányította a drónt egy stabil lebegési pozícióba, csak a lidar szenzorok által biztosított korlátozott környezeti információkat használva. Két másik kísérlet során megközelítésük lehetővé tette két szimulált robotrendszer stabil működését szélesebb körülmények között: egy fordított inga és egy pályakövető jármű esetében. Ezek a kísérletek, bár szerények, viszonylag bonyolultabbak voltak, mint amit a neural network verifikációs közösség korábban el tudott volna végezni, különösen, mivel szenzormodelleket tartalmaztak.
„A neural network-ek Lyapunov-függvényekként való szigorú használata a közös gépi tanulási problémáktól eltérően nehéz globális optimalizálási problémák megoldását igényli, így a skálázhatóság a fő szűk keresztmetszet,” mondja Sicun Gao, a San Diego-i Kaliforniai Egyetem számítástechnikai és mérnöki tanszékének docense, aki nem vett részt ebben a munkában. „A jelenlegi munka fontos hozzájárulást jelent azáltal, hogy algoritmikus megközelítéseket fejleszt ki, amelyek sokkal jobban illeszkednek a neural network-ek Lyapunov-függvényekként való használatához vezérlési problémákban. Jelentős javulást ér el a skálázhatóság és a megoldások minősége terén a meglévő megközelítésekhez képest.”
Yang és kollégái stabilitási megközelítése széleskörű alkalmazási lehetőségekkel bír, ahol a biztonság garantálása létfontosságú. Segíthet egyenletesebb utazást biztosítani az autonóm járművek, például repülőgépek és űrhajók számára. Hasonlóképpen, egy drón, amely tárgyakat szállít vagy különböző terepeket térképez fel, hasznát veheti ezeknek a biztonsági garanciáknak.
Érdekes tény: A neural network-eket először 1943-ban Warren McCulloch és Walter Pitts fejlesztette ki, és azóta jelentős fejlődésen mentek keresztül, hogy a mai adaptív és hatékony gépeket vezéreljék. Források: MIT CSAIL, Toyota Research Institute, University of California at Los Angeles, University of Illinois Urbana-Champaign
