近年來，計算機科學家創造了越來越複雜的算法來指導機器人代理的運動。 其中包括模型預測控制 (MPC) 策略，該策略使用代理的動態模型來優化其接近給定目標的行為，同時滿足一組約束（例如，不撞到障礙物）。
模型預測控制策略與人工神經網絡技術
實時神經 MPC 是一個框架，它將基於人工神經網絡 (ANN) 的複雜模型架構集成到移動機器人（即四旋翼無人機）的 MPC 框架中。 它最近由慕尼黑工業大學和蘇黎世大學的研究人員開發。 這個想法在 IEEE 機器人和自動化快報中報導，它擴展了蘇黎世大學機器人和感知小組之前提出的一個想法。
慕尼黑工業大學自主航空系統小組的研究人員 Tim Salzmann 和 Markus Ryll Tech 說：“我們遇到了由 Davide Scaramuzza 領導的機器人和傳感小組的出色工作，以發展他們擁有數據的核心理念為“傳統”控制算法提供動力的驅動（學習）組件。我們立即被迷住了。
“在開發概念驗證以將他們使用高斯過程 (GP) 的方法擴展到通用神經網絡（深度學習模型）之後，我們向蘇黎世大學的機器人和感知小組介紹了我們的想法。 從此，兩個實驗室的技術工作和測試共同推進，並開啟了新的合作夥伴關係。”
Salzmann、Ryll 等人提出的新框架結合了深度學習模型和在線 MPC 優化。 深度學習表達模型需要大量的計算。 儘管如此，該框架仍可以使用專用硬件 (GPU) 來高效地實時在線渲染這些模型。 這使他們的系統能夠實時預測機器人的最佳行動方案。
Salzmann 和 Ryll 表示：“實時神經 MPC 框架使這兩個領域能夠結合最優控制和深度學習，同時允許這兩個部分利用各自高度優化的框架和計算設備。 “因此，控制優化可以在 CPU 上編譯的 C 代碼中執行，而深度學習計算可以在 PyTorch/Tensorflow 中的 GPU 上執行。 這使得深度學習能夠用於迄今為止不切實際的應用，例如機載四旋翼優化控制。”
研究人員通過一系列模擬和實地測試評估他們的框架。 在這些研究中，它特別用於實時控制高度機動的四旋翼飛行器的運動。
使用參數容量比以前用於實時調節移動機器人運動的神經網絡拓撲高 4.000 倍的能力使他們能夠取得非常有希望的結果。 他們還發現，與沒有深度學習組件的傳統 MPC 方法相比，他們開發的框架可以將空間跟踪錯誤減少多達 82%。
根據 Salzmann 和 Ryll 的說法，“在機器人技術中，我們尋找受控系統的動力學及其與環境的相互作用（例如空氣動力學效應、輪胎摩擦等）的有意義的模式”。 “雖然這些通常難以分析，但基於學習的方法，尤其是那些使用神經網絡的方法，可以捕獲動態和交互作用。 然而，模型的準確性隨著神經網絡的大小而增加。 當深度學習模型用於實時神經 MPC 時，該模型在預測控制方面比以前更強大、更高效。”
正如最近推出的 Nvidia Jetson 平台所證明的那樣，GPU 芯片正在慢慢進入嵌入式系統。 這支研究團隊很快開發了一個框架，使設計人員能夠利用複雜的數據驅動人工智能技術的高預測能力，更好地模擬機器人與環境的動態和交互，降低事故風險並提高導航能力，整合顯卡芯片。
Salzmann 和 Ryll 指出，還有許多未探索的可能性需要進一步研究。 “對於未包含在訓練數據（非分佈式 OOD）中的情況，深度學習方法的輸出可能無法預測。 OOD 條件下的穩健性將來自於檢測這些條件並提供後備控制以穩定係統。”
資料來源：techxplore.com/news
Günceleme: 13/03/2023 14:09