Dalam beberapa tahun terakhir, ilmuwan komputer telah menciptakan algoritme yang semakin canggih untuk mengarahkan pergerakan agen robot. Ini termasuk strategi kontrol prediktif model (MPC) yang menggunakan model dinamika agen untuk mengoptimalkan perilaku pendekatannya terhadap target tertentu sambil memenuhi serangkaian kendala (misalnya, tidak menabrak rintangan).
Model Strategi Kontrol Prediktif dan Teknologi Jaringan Syaraf Tiruan
Real-Time Neural MPC adalah kerangka kerja yang mengintegrasikan arsitektur model kompleks berdasarkan jaringan syaraf tiruan (JST) ke dalam kerangka kerja MPC untuk robot seluler (yaitu quadrotor-drone). Ini baru-baru ini dikembangkan oleh para peneliti di Technical University of Munich dan University of Zurich. Ide ini, dilaporkan dalam IEEE Robotics and Automation Letters, memperluas ide yang sebelumnya dibuat oleh Grup Robotika dan Persepsi Universitas Zurich.
Tim Salzmann dan Markus Ryll Tech, peneliti di Autonomous Air Systems Group di Technical University of Munich, mengatakan: “Kami menemukan karya luar biasa dari Robotics and Sensing Group yang dipimpin oleh Davide Scaramuzza untuk mengembangkan ide inti mereka tentang memiliki data -driven (belajar) komponen yang menggerakkan algoritme kontrol 'tradisional' Kami langsung terpikat.
“Setelah mengembangkan bukti konsep untuk memperluas pendekatan mereka menggunakan Proses Gaussian (GP) ke Jaringan Neural umum (Model Pembelajaran Dalam), kami mempresentasikan ide kami ke Grup Robotika dan Persepsi di Universitas Zurich. Sejak saat itu, pekerjaan teknis dan pengujian kedua laboratorium berkembang bersama dan memicu kemitraan baru.”
Model pembelajaran mendalam dan pengoptimalan MPC online digabungkan dalam kerangka kerja baru yang diusulkan oleh Salzmann, Ryll et al. Model ekspresi pembelajaran mendalam membutuhkan banyak komputasi. Namun, framework dapat menggunakan perangkat keras khusus (GPU) untuk merender model ini secara online secara real-time secara efisien. Hal ini memungkinkan sistem mereka memprediksi secara real time tindakan terbaik untuk robot.
Salzmann dan Ryll berkata: “Kerangka MPC Neural Real-Time memungkinkan kedua domain untuk menggabungkan kontrol optimal dan pembelajaran mendalam, sekaligus memungkinkan kedua bagian memanfaatkan kerangka kerja dan perangkat komputasi mereka sendiri yang sangat optimal. “Jadi, pengoptimalan kontrol dapat dilakukan dalam kode C yang dikompilasi di CPU, sementara komputasi pembelajaran mendalam dapat dilakukan di GPU di PyTorch/Tensorflow. Hal ini memungkinkan pembelajaran mendalam untuk digunakan dalam aplikasi yang sampai sekarang tidak praktis, seperti kontrol optimal quadrotor on-board.”
Peneliti mengevaluasi kerangka mereka melalui serangkaian simulasi dan tes berbasis lapangan. Dalam studi ini, ini terutama digunakan untuk mengontrol pergerakan quadrotor yang sangat mobile secara real time.
Kemampuan untuk menggunakan topologi jaringan saraf dengan kapasitas parametrik 4.000 kali lebih tinggi daripada yang sebelumnya digunakan untuk mengatur gerakan robot seluler secara real time memungkinkan mereka mencapai hasil yang sangat menjanjikan. Mereka juga menemukan bahwa kerangka kerja yang mereka kembangkan dapat mengurangi kesalahan pelacakan spasial hingga 82% dibandingkan pendekatan MPC tradisional tanpa komponen pembelajaran mendalam.
Menurut Salzmann dan Ryll, "dalam robotika, kami mencari pola yang bermakna dari dinamika sistem yang dikendalikan dan interaksinya dengan lingkungan (misalnya efek aerodinamis, gesekan ban, dll.)". “Meskipun ini seringkali sulit untuk dianalisis, metode berbasis pembelajaran, terutama yang menggunakan jaringan saraf, dapat menangkap dinamika dan efek interaksi. Namun, akurasi model meningkat dengan ukuran jaringan saraf. Saat model deep learning digunakan dalam real-time neural MPC, model tersebut jauh lebih kuat dan efisien dalam kontrol prediktif daripada yang mungkin dilakukan sebelumnya.”
Chip GPU perlahan-lahan masuk ke sistem tertanam, seperti yang ditunjukkan oleh platform Nvidia Jetson yang baru diperkenalkan. Tim peneliti ini segera mengembangkan kerangka kerja yang akan memungkinkan perancang memanfaatkan kekuatan prediktif tinggi dari teknik AI berbasis data yang canggih untuk memodelkan dinamika dan interaksi robot dengan lingkungan dengan lebih baik, mengurangi risiko kecelakaan dan meningkatkan kemampuan navigasi, mengintegrasikan Chip GPU.
Salzmann dan Ryll mencatat bahwa ada banyak kemungkinan yang belum dijelajahi untuk studi lebih lanjut. “Output dari metode pembelajaran mendalam tidak dapat diprediksi untuk situasi yang tidak termasuk dalam data pelatihan (OOD Tidak Terdistribusi). Ketangguhan dalam kondisi OOD akan datang dari pendeteksian kondisi tersebut dan memberikan fallback untuk kontrol guna menstabilkan sistem.”
Sumber: techxplore.com/news
Günceleme: 13/03/2023 14:09