Ces dernières années, les informaticiens ont créé des algorithmes de plus en plus sophistiqués pour diriger les mouvements des agents robotiques. Celles-ci incluent des stratégies de contrôle prédictif de modèle (MPC) qui utilisent un modèle de la dynamique de l'agent pour optimiser son comportement d'approche vers une cible donnée tout en satisfaisant un ensemble de contraintes (par exemple, ne pas heurter d'obstacles).
Modèles de stratégies de contrôle prédictif et technologies de réseaux de neurones artificiels
Real-Time Neural MPC est un cadre qui intègre des architectures de modèles complexes basées sur des réseaux de neurones artificiels (ANN) dans un cadre MPC pour les robots mobiles (c'est-à-dire les quadrotors-drones). Il a été récemment développé par des chercheurs de l'Université technique de Munich et de l'Université de Zurich. Cette idée, rapportée dans IEEE Robotics and Automation Letters, prolonge une idée précédemment créée par le groupe de robotique et de perception de l'Université de Zurich.
Tim Salzmann et Markus Ryll Tech, chercheurs du groupe Autonomous Air Systems de l'Université technique de Munich, ont déclaré: «Nous sommes tombés sur l'excellent travail du groupe Robotics and Sensing dirigé par Davide Scaramuzza pour développer leur idée de base d'avoir des données composants pilotés (appris) qui alimentent les algorithmes de contrôle "traditionnels". Nous avons été immédiatement captivés.
«Après avoir développé une preuve de concept pour étendre leur approche utilisant les processus gaussiens (GP) aux réseaux de neurones généraux (modèles d'apprentissage en profondeur), nous avons présenté notre idée au groupe de robotique et de perception de l'Université de Zurich. À partir de ce moment, les travaux techniques et les tests des deux laboratoires ont progressé conjointement et ont déclenché un nouveau partenariat.
Les modèles d'apprentissage en profondeur et l'optimisation MPC en ligne sont combinés dans le nouveau cadre proposé par Salzmann, Ryll et al. Les modèles d'expression d'apprentissage en profondeur nécessitent beaucoup de calculs. Néanmoins, le framework peut utiliser du matériel spécialisé (GPU) pour rendre efficacement ces modèles en ligne en temps réel. Cela permet à leurs systèmes de prédire en temps réel le meilleur plan d'action pour les robots.
Salzmann et Ryll ont déclaré : « Le cadre MPC neuronal en temps réel permet aux deux domaines de combiner un contrôle optimal et un apprentissage en profondeur, tout en permettant aux deux parties de tirer parti de leurs propres cadres et dispositifs de calcul hautement optimisés. «Ainsi, l'optimisation des contrôles peut être effectuée dans du code C compilé sur le CPU, tandis que les calculs d'apprentissage en profondeur peuvent être effectués sur un GPU dans PyTorch / Tensorflow. Cela permet d'utiliser l'apprentissage en profondeur dans des applications jusqu'ici peu pratiques, telles que le contrôle optimal des quadrirotors embarqués.
Les chercheurs évaluent leur cadre au moyen d'une série de simulations et de tests sur le terrain. Dans ces études, il est notamment utilisé pour contrôler en temps réel les mouvements d'un quadrirotor très mobile.
La possibilité d'utiliser des topologies de réseaux de neurones aux capacités paramétriques 4.000 82 fois supérieures à celles précédemment utilisées pour réguler en temps réel les mouvements des robots mobiles leur a permis d'obtenir des résultats très prometteurs. Ils ont également découvert que le cadre qu'ils ont développé peut réduire les erreurs de suivi spatial jusqu'à XNUMX % par rapport aux approches MPC traditionnelles sans composant d'apprentissage en profondeur.
Selon Salzmann et Ryll, "en robotique, nous recherchons des modèles significatifs de la dynamique des systèmes contrôlés et de leur interaction avec l'environnement (par exemple, les effets aérodynamiques, le frottement des pneus, etc.)". « Bien qu'elles soient souvent difficiles à analyser, les méthodes basées sur l'apprentissage, en particulier celles qui utilisent des réseaux de neurones, peuvent capturer la dynamique et les effets d'interaction. Cependant, la précision du modèle augmente avec la taille du réseau de neurones. Lorsque des modèles d'apprentissage en profondeur sont utilisés dans le MPC neuronal en temps réel, le modèle est beaucoup plus puissant et efficace dans le contrôle prédictif qu'il n'était possible auparavant.
Les puces GPU font lentement leur chemin dans les systèmes embarqués, comme en témoigne la plate-forme Nvidia Jetson récemment introduite. Cette équipe de chercheurs a rapidement développé un cadre qui permettra aux concepteurs de tirer parti du haut pouvoir prédictif des techniques sophistiquées d'IA basées sur les données pour mieux modéliser la dynamique et les interactions des robots avec l'environnement, réduire le risque d'accidents et améliorer les capacités de navigation, intégrer Puces GPU.
Salzmann et Ryll ont noté qu'il existe de nombreuses possibilités inexplorées pour une étude plus approfondie. "Le résultat des méthodes d'apprentissage en profondeur peut être imprévisible pour des situations non incluses dans les données de formation (OOD non distribué). La robustesse dans les conditions OOD viendra de la détection de ces conditions et de la fourniture d'une solution de secours pour le contrôle afin de stabiliser le système.
Source : techxplore.com/news
Günceleme: 13/03/2023 14:09