Negli ultimi anni, gli informatici hanno creato algoritmi sempre più sofisticati per dirigere i movimenti degli agenti robotici. Questi includono strategie di controllo predittivo del modello (MPC) che utilizzano un modello delle dinamiche dell'agente per ottimizzare il suo comportamento di avvicinamento verso un determinato obiettivo soddisfacendo una serie di vincoli (ad esempio, non colpire ostacoli).
Strategie di controllo predittivo del modello e tecnologie di rete neurale artificiale
L'MPC neurale in tempo reale è un framework che integra architetture di modelli complessi basati su reti neurali artificiali (ANN) in un framework MPC per robot mobili (ovvero quadritor-droni). È stato recentemente sviluppato da ricercatori dell'Università tecnica di Monaco e dell'Università di Zurigo. Questa idea, riportata in IEEE Robotics and Automation Letters, estende un'idea precedentemente creata dal Robotics and Perception Group dell'Università di Zurigo.
Tim Salzmann e Markus Ryll Tech, ricercatori dell'Autonomous Air Systems Group presso l'Università tecnica di Monaco, hanno dichiarato: "Ci siamo imbattuti nell'eccellente lavoro del Robotics and Sensing Group guidato da Davide Scaramuzza per sviluppare la loro idea di base di disporre di dati -driven (appresi) componenti che alimentano algoritmi di controllo "tradizionali".Ne siamo rimasti immediatamente affascinati.
“Dopo aver sviluppato una prova di concetto per estendere il loro approccio utilizzando i processi gaussiani (GP) alle reti neurali generali (modelli di apprendimento profondo), abbiamo presentato la nostra idea al gruppo di robotica e percezione dell'Università di Zurigo. Da questo momento in poi, il lavoro tecnico e i test dei due laboratori sono progrediti congiuntamente e hanno dato vita a una nuova partnership”.
I modelli di deep learning e l'ottimizzazione MPC online sono combinati nel nuovo framework proposto da Salzmann, Ryll et al. I modelli di espressioni di deep learning richiedono molti calcoli. Tuttavia, il framework può utilizzare hardware specializzato (GPU) per rendere efficacemente questi modelli online in tempo reale. Ciò consente ai loro sistemi di prevedere in tempo reale la migliore linea d'azione per i robot.
Salzmann e Ryll hanno affermato: “Il framework MPC neurale in tempo reale consente ai due domini di combinare controllo ottimale e deep learning, consentendo a entrambe le parti di sfruttare i propri framework e dispositivi computazionali altamente ottimizzati. “Quindi, l'ottimizzazione del controllo può essere eseguita in codice C compilato sulla CPU, mentre i calcoli di deep learning possono essere eseguiti su una GPU in PyTorch/Tensorflow. Ciò consente di utilizzare il deep learning in applicazioni che fino ad ora erano impraticabili, come il controllo ottimale del quadrotore a bordo”.
I ricercatori valutano la loro struttura attraverso una serie di simulazioni e test sul campo. In questi studi, è particolarmente utilizzato per controllare in tempo reale i movimenti di un quadrirotore altamente mobile.
La capacità di utilizzare topologie di reti neurali con capacità parametriche 4.000 volte superiori a quelle utilizzate in precedenza per regolare in tempo reale i movimenti dei robot mobili ha permesso loro di ottenere risultati molto promettenti. Hanno anche scoperto che il framework che hanno sviluppato può ridurre gli errori di tracciamento spaziale fino all'82% rispetto agli approcci MPC tradizionali senza una componente di deep learning.
Secondo Salzmann e Ryll, “nella robotica, cerchiamo schemi significativi della dinamica dei sistemi controllati e della loro interazione con l'ambiente (ad es. effetti aerodinamici, attrito dei pneumatici, ecc.)”. “Sebbene questi siano spesso difficili da analizzare, i metodi basati sull'apprendimento, in particolare quelli che utilizzano reti neurali, possono catturare dinamiche ed effetti di interazione. Tuttavia, la precisione del modello aumenta con la dimensione della rete neurale. Quando i modelli di deep learning vengono utilizzati in MPC neurali in tempo reale, il modello è molto più potente ed efficiente nel controllo predittivo di quanto fosse possibile in precedenza.
I chip GPU si stanno lentamente facendo strada nei sistemi embedded, come dimostrato dalla piattaforma Nvidia Jetson recentemente introdotta. Questo team di ricercatori ha presto sviluppato un framework che consentirà ai progettisti di sfruttare l'elevato potere predittivo di sofisticate tecniche di IA data-driven per modellare al meglio le dinamiche e le interazioni dei robot con l'ambiente, riducendo il rischio di incidenti e migliorando le capacità di navigazione, integrando Chip GPU.
Salzmann e Ryll hanno notato che ci sono molte possibilità inesplorate per ulteriori studi. “L'output dei metodi di deep learning può essere imprevedibile per situazioni non incluse nei dati di addestramento (Non-Distributed OOD). La robustezza in condizioni OOD verrà dal rilevamento di tali condizioni e dal fornire un fallback per il controllo per stabilizzare il sistema.
Fonte: techxplore.com/news
Günceleme: 13/03/2023 14:09