Sinir ağı denetleyicileri karmaşık robotlar için kararlılık sağlayarak otonom araçların ve endüstriyel makinelerin daha güvenli konuşlandırılmasının önünü açıyor. Massachusetts Teknoloji Enstitüsü'ndeki araştırmacılar, karmaşık sistemlerde Lyapunov işlevini doğrulamak için etkili bir algoritma geliştirdiler ve sinir ağı kontrollü robotların çeşitli ortamlarda kararlılığını ve güvenliğini sağladılar.
Sinir ağları, mühendislerin robot kontrol cihazlarını tasarlama biçimleri üzerinde büyük bir etkiye sahip olmuş ve daha uyarlanabilir ve verimli makineler ortaya çıkarmıştır. Ancak, bu beyin benzeri makine öğrenme sistemleri aynı zamanda iki ucu keskin bir kılıçtır: karmaşıklıkları onları güçlü kılar, ancak sinir ağları tarafından desteklenen robotların görevlerini güvenli bir şekilde yapabilmelerini sağlamakta da zorluk çekerler.
Güvenliği ve istikrarı doğrulamanın geleneksel yolu Lyapunov fonksiyonu adı verilen bir tekniktir. Sürekli azalan bir değere sahip bir Lyapunov fonksiyonu bulabilirseniz, daha yüksek değerlerle ilişkili güvensizliğin veya istikrarsızlığın asla gerçekleşmeyeceğini bilirsiniz. Ancak, sinir ağları tarafından kontrol edilen robotlar için, Lyapunov koşullarını doğrulamak için kullanılan önceki yöntemler karmaşık makinelere iyi ölçeklenemedi.
MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı'ndaki (CSAIL) ve diğer kurumlardaki araştırmacılar, artık daha karmaşık sistemlerde Lyapunov hesaplamasının titizlikle sertifikalandırılmasına olanak tanıyan yeni teknolojiler geliştirdiler. Algoritma, sistem için bir kararlılık garantisi sağlayan Lyapunov işlevini verimli bir şekilde arar ve doğrular. Bu yaklaşım, uçaklar ve uzay araçları da dahil olmak üzere robotların ve otonom araçların konuşlandırılmasını daha güvenli hale getirme potansiyeline sahiptir.
Önceki algoritmalardan daha iyi performans göstermek için araştırmacılar eğitim ve doğrulama sürecinde para tasarrufu sağlayan bir kısayol buldular. Daha düşük maliyetli karşı örnekler üretiyorlar -örneğin, denetleyicileri devre dışı bırakabilecek sensörlerden gelen düşmanca veriler- ve ardından robotik sistemi bu karşı örneklerle başa çıkacak şekilde optimize ediyorlar. Bu uç durumları anlamak, makine öğreniminin zorlu durumlarla başa çıkmasına yardımcı oluyor ve daha önce hiç olmadığı kadar geniş bir koşul yelpazesinde güvenli bir şekilde çalışmasını sağlıyor. Ardından, karşı örneklere ek olarak katı en kötü durum garantileri sağlamak için ölçeklenebilir bir sinir ağı doğrulayıcısı -CROWN kullanabilen yeni bir doğrulama formülü geliştirdiler.
"İnsansı robotlar ve robot köpekler gibi AI kontrollü makinelerde etkileyici deneysel performanslar gördük, ancak bu AI denetleyicileri güvenlik açısından kritik sistemler için kritik olan resmi güvenceden yoksundur." Massachusetts Teknoloji Enstitüsü'nde elektrik mühendisliği ve bilgisayar bilimi (EECS) alanında doktora öğrencisi ve CSAIL'e bağlı bir araştırmacı olan Lujie Yang, "Çalışmamız, sinir ağı denetleyicilerinin performans seviyesi ile gerçek dünyada daha karmaşık sinir ağı denetleyicilerini dağıtmak için gereken güvenlik garantileri arasındaki boşluğu kapatıyor" dedi.
Dijital bir gösteride ekip, lidar sensörlü bir quadcopter drone'un iki boyutlu bir ortamda nasıl sabit olacağını simüle etti. Algoritmaları, yalnızca lidar sensörünün sağladığı sınırlı çevresel bilgileri kullanarak drone'u sabit bir havada asılı kalma pozisyonuna başarıyla yönlendiriyor.
Diğer iki deneyde, yaklaşımları iki simüle edilmiş robotik sistemin daha geniş bir koşul aralığında istikrarlı bir şekilde çalışmasını sağladı: ters sarkaç ve yol izleyen bir araç. Bu deneyler, küçük olsa da, özellikle sensör modelleri içerdiklerinden, önceki sinir ağı doğrulamalarından çok daha karmaşıktır.
Kaliforniya Üniversitesi, San Diego'da bilgisayar bilimi ve mühendisliği alanında doçent olan Sicun Gao, "Sıradan makine öğrenmesi problemlerinden farklı olarak, sinir ağlarının Lyapunov fonksiyonları olarak katı bir şekilde kullanılması, zor küresel optimizasyon problemlerinin çözülmesini gerektiriyor, bu nedenle ölçeklenebilirlik önemli bir darboğazdır" dedi.
Mevcut yöntemlere kıyasla ölçeklenebilirlik ve çözüm kalitesinde önemli iyileştirmeler sunar. Bu çalışma, sinirsel Lyapunov yöntemi için optimizasyon algoritmalarının daha da geliştirilmesi ve kontrol ve robotikte derin öğrenmenin titiz kullanımı için heyecan verici yönler açar.
Yeni denge yönteminin yaygın olarak uygulanma potansiyeli var. Bu uygulamalarda güvenlik en önemli unsurdur. Uçaklar ve uzay araçları gibi kendi kendine giden araçların daha sorunsuz bir şekilde gitmesini sağlayabilir. Benzer şekilde, ürün teslim eden veya farklı arazileri haritalayan dronlar da bu güvenlik garantisinden faydalanabilir.
Yeni yaklaşım robotikle sınırlı değil ve gelecekte biyomedikal ve endüstriyel işleme gibi diğer uygulamalara da yardımcı olabilir. Teknoloji ölçeklenebilirlik açısından önceki çalışmalara göre bir gelişme olsa da araştırmacılar daha yüksek boyutlara sahip sistemlerde nasıl daha iyi performans gösterebileceğini araştırıyorlar. Ayrıca lidar okumalarının ötesindeki verileri, örneğin görüntüleri ve nokta bulutlarını da dikkate almak istiyorlar.
Gelecekteki bir araştırma yönü olarak ekip, belirsiz ortamlardaki ve müdahaleye açık sistemler için aynı kararlılık garantisini sağlamayı umuyor. Örneğin, bir drone güçlü bir rüzgar esintisine maruz kalırsa, araştırmacılar hala istikrarlı bir şekilde uçtuğundan ve amaçlanan görevini yerine getirdiğinden emin olmak isterler.
Ayrıca, robotun dengeyi koruyarak görevi tamamlaması için gereken zaman ve mesafeyi en aza indirmeyi hedefleyerek yöntemlerini optimizasyon problemlerine uygulamayı planlıyorlar ve teknolojilerini, robotun çevresiyle temas halindeyken dengede olması gereken insansı robotlara ve diğer gerçek dünya makinelerine genişletmeyi planlıyorlar.
