Teknoloji

Makine Öğrenimi Robot Sürülerinin Koordinatına Yardımcı Oluyor

Caltech’teki mühendisler, birden fazla robotun dağınık, eşlenmemiş alanlarda hareketini kontrol etmek için yeni bir veri odaklı yöntem tasarladılar, böylece birbirleriyle karşılaşmazlar.

Çok robotlu hareket koordinasyonu, kentsel arama ve kurtarma işleminden, kendi kendine giden araçların filolarının kontrolüne, dağınık ortamlarda formasyon uçuşuna kadar uzanan geniş kapsamlı uygulamalarda temel bir robot problemidir. İki kilit zorluk, çoklu robot koordinasyonunu zorlaştırır: birincisi, yeni ortamlarda hareket eden robotlar, gelecekteki yolları hakkında eksik verilere rağmen, yörüngeleri hakkında iki saniyelik kararlar almalıdır; ikincisi, bir ortamda daha fazla sayıda robotun bulunması etkileşimlerini giderek daha karmaşık hale getirir (ve çarpışmalara daha yatkın).

Bu zorlukların üstesinden gelmek için, Aerospace Bren Profesörü Soon-Jo Chung ve bilgisayar ve matematik bilimleri profesörü Yisong Yue ile Caltech lisansüstü öğrencisi Benjamin Rivière (MS ’18), doktora sonrası bilim adamı Wolfgang Hönig ve lisansüstü öğrenci Guanya Shi, “Yerel-Yerel Güvenli Otonomi Sentezi” veya GLAS adlı çok robotlu bir hareket planlama algoritması geliştirdi; bu, yalnızca yerel bilgilerle birlikte eksiksiz bir bilgi planlayıcıyı taklit etti ve bir sürü izleme denetleyicisi olan “Nöral-Sürü” yakın mesafeli uçuşta karmaşık aerodinamik etkileşimleri öğrenecek.

Chung, “Çalışmalarımız GLAS ile sürü hareket planlaması için geleneksel kara kutu yapay zeka (AI) yaklaşımlarının güvenlik, sağlamlık ve ölçeklenebilirlik sorunlarının üstesinden gelmek için bazı umut verici sonuçlar gösteriyor ve Neural-Swarm kullanarak çoklu dronlar için yakınlık kontrolü,” diyor Chung .

GLAS ve Neural-Swarm kullanıldığında, bir robot içinden geçtiği ortamın veya diğer robotlarının almak istediği yolun eksiksiz ve kapsamlı bir resmini gerektirmez. Bunun yerine, robotlar hareket halindeki bir alanda nasıl gezinileceğini öğrenir ve yeni bilgileri hareket için “öğrenilmiş bir modele” girerken dahil ederler. Sürüdeki her robot sadece yerel çevresi hakkında bilgi gerektirdiğinden, merkezi olmayan hesaplama yapılabilir; özünde, her robot kendisi için “düşünür”, bu da sürünün büyüklüğünü ölçeklendirmeyi kolaylaştırır.

Yue, “Bu projeler, modern makine öğrenimi yöntemlerini çok aracılı planlama ve kontrole entegre etme potansiyelini gösteriyor ve aynı zamanda makine öğrenimi araştırmaları için heyecan verici yeni yönler ortaya koyuyor” diyor.

Yeni sistemlerini test etmek için Chung ve Yue’nin ekipleri, 16 dronluk dört çekişli sürülerde GLAS ve Neural-Swarm’ı uyguladı ve Caltech’in Otonom Sistemler ve Teknolojiler Merkezi’ndeki (CAST) açık hava drone arenasında uçtu. Ekipler, GLAS’ın çok çeşitli durumlarda mevcut en yeni çok robotlu hareket planlama algoritmasından yüzde 20 daha iyi performans gösterebileceğini buldu. Bu arada, Neural-Swarm, aerodinamik etkileşimleri dikkate alamayan ticari bir denetleyiciden önemli ölçüde daha iyi performans gösterdi; dronların kendilerini nasıl yönlendirdiklerine ve üç boyutlu uzayda istenen pozisyonları nasıl takip ettiklerine dair önemli bir ölçüm olan izleme hataları, yeni kontrolör kullanıldığında dört kata kadar daha küçüktü.

Araştırmaları yakın zamanda yayınlanan iki çalışmada ortaya çıkmıştır. “GLAS: Uçtan Uca Öğrenim ile Çok Robotlu Hareket Planlaması için Global-Yerel Güvenli Otonomi Sentezi” IEEE Robotik ve Otomasyon Mektupları 11 Mayıs’ta Chung, Yue, Rivière ve Hönig tarafından yapılmıştır. “Nöral-Sürü: Öğrenilmiş Etkileşimleri Kullanarak Merkezi Olmayan Yakın Yakınlık Çok rotorlu Kontrolü” IEEE Uluslararası Robotik ve Otomasyon Konferansı Bildirileri 1 Haziran’da Chung, Yue, Shi ve Hönig tarafından yapılmıştır. Bu araştırma Raytheon Şirketi tarafından desteklenmiştir; OYUNCULAR; ve Caltech’in NASA için yönettiği JPL.

Daha Fazla Göster

İlgili Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Başa dön tuşu
Kapalı
Kapalı

Reklam Engelleyici Algılandı

Lütfen reklam engelleyiciyi devre dışı bırakarak bizi desteklemeyi düşünün
Sohbete Başla
Merhaba .
Yazarınız olmak istiyorum :)