Robotik ajanların hareketlerini yönlendirmek için bilgisayar bilimcileri son yıllarda giderek daha sofistike algoritmalar oluşturmuşlardır. Bunlar arasında, bir dizi kısıtlamayı (örneğin, engellere çarpmama) yerine getirirken aynı zamanda belirli bir hedef doğrultusunda yaklaşan davranışını optimize etmek için ajanın dinamiklerinin bir modelini kullanan model öngörülü kontrol (MPC) stratejileri bulunmaktadır.
Model Öngörülü Kontrol Stratejileri ve Yapay Sinir Ağları Teknolojileri
Gerçek Zamanlı Sinirsel MPC, yapay sinir ağlarına (YSA’lar) dayalı karmaşık model mimarilerini hareketli robotlar (yani dört rotorlu quadrotors-dronlar) için bir MPC çerçevesine entegre eden bir çerçevedir. Yakın zamanda Münih Teknik Üniversitesi ve Zürih Üniversitesi’ndeki araştırmacılar tarafından geliştirilmiştir. IEEE Robotics and Automation Letters’da rapor edilen bu fikir, daha önce Zürih Üniversitesi Robotik ve Algı Grubu tarafından oluşturulan bir fikri genişletmektedir.
Münih Teknik Üniversitesi Otonom Hava Sistemleri Grubu araştırmacıları Tim Salzmann ve Markus Ryll Tech şunları söyledi: “Davide Scaramuzza liderliğindeki Robotik ve Algı Grubu’nun mükemmel çalışmalarıyla karşılaştık ve ‘geleneksel’ kontrol algoritmalarını güçlendiren veri güdümlü (öğrenilmiş) bileşenlere sahip olma konusundaki temel fikirlerini geliştirmek için hemen büyülendik.
“Gauss Süreçlerini (GP’ler) kullanan yaklaşımlarını genel Sinir Ağlarına (Derin Öğrenme Modelleri) genişletmek için bir kavram kanıtı geliştirdikten sonra fikrimizi Zürih Üniversitesi’ndeki Robotik ve Algı Grubuna sunduk. Bu noktadan sonra, iki laboratuvarın teknik çalışmaları ve testleri ortaklaşa ilerledi ve yeni bir ortaklığın fitilini ateşledi.”
Derin öğrenme modelleri ve çevrimiçi MPC optimizasyonu, Salzmann, Ryll ve meslektaşlarının önerdiği yeni çerçevede birleştirilmiştir. Derin öğrenme ifade modelleri çok fazla hesaplama gerektirir. Yine de çerçeve, bu modelleri gerçek zamanlı olarak çevrimiçi yaklaştırarak etkili bir şekilde işlemek için özel donanım (GPU’lar) kullanabilir. Bu, sistemlerinin robotlar için en iyi hareket tarzını gerçek zamanlı olarak tahmin etmesini sağlar.
Salzmann ve Ryll şunları söyledi: “Gerçek Zamanlı Sinirsel MPC çerçevesi, iki alanın, optimal kontrol ve derin öğrenmenin birleştirilmesini sağlarken, her iki bölümün de kendi yüksek düzeyde optimize edilmiş çerçevelerinden ve hesaplama cihazlarından yararlanmasına olanak tanıyor. “Böylece, kontrol optimizasyonu CPU üzerinde derlenmiş C kodunda gerçekleştirilirken, derin öğrenme hesaplamaları bir GPU üzerinde PyTorch/Tensorflow’da gerçekleştirilebilir. Bu da, yerleşik quadrotor optimum kontrolü gibi şimdiye kadar pratik olmayan uygulamalarda derin öğrenmenin kullanılmasını sağlıyor.”
Araştırmacılar, bir dizi simülasyon ve saha tabanlı test aracılığıyla çerçevelerini değerlendiriyor. Bu çalışmalarda, özellikle çok hareketli bir quadrotorun hareketlerini gerçek zamanlı olarak kontrol etmek için kullanılıyor.
Hareketli robotların hareketlerini gerçek zamanlı olarak düzenlemek için daha önce kullanılanlardan 4.000 kat daha yüksek parametrik kapasiteye sahip sinir ağı topolojilerini kullanma becerisi, oldukça umut verici sonuçlar elde etmelerini sağladı. Ayrıca, geliştirdikleri çerçevenin, derin öğrenme bileşeni olmayan geleneksel MPC yaklaşımlarına kıyasla konumsal izleme hatalarını %82’ye varan oranda azaltabildiğini keşfettiler.
Salzmann ve Ryll’e göre, “robotikte, kontrol edilen sistemlerin dinamiklerinin ve çevreyle etkileşimlerinin (örneğin, aerodinamik etkiler, lastik sürtünmesi, vb.) anlamlı modellerini ararız”. “Bunların analiz edilmesi genellikle zor olsa da, öğrenme tabanlı yöntemler, özellikle de sinir ağlarını kullananlar, dinamikleri ve etkileşim etkilerini yakalayabilir. Bununla birlikte, modelin doğruluğu sinir ağının boyutuyla birlikte artar. Derin öğrenme modelleri, gerçek zamanlı nöral MPC’de kullanıldığında, model öngörülü kontrolde daha önce mümkün olandan çok daha güçlü ve verimlidir.”
GPU çipleri, yakın zamanda tanıtılan Nvidia Jetson platformunun da gösterdiği gibi, yavaş yavaş gömülü sistemlere giriyor. Araştırmacılardan oluşan bu ekip, yakında tasarımcıların GPU çiplerini entegre eden robotların dinamiklerini ve çevreyle etkileşimlerini daha iyi modellemek, kaza riskini azaltmak ve navigasyon yeteneklerini geliştirmek için sofistike veri odaklı yapay zeka tekniklerinin yüksek tahmin gücünden yararlanmalarını sağlayacak bir çerçeve geliştirdi.
Salzmann ve Ryll, daha fazla çalışma için keşfedilmemiş pek çok olasılık olduğunu belirtmiştir. “Derin öğrenme yöntemlerinin çıktısı, eğitim verilerinde yer almayan durumlar için öngörülemez olabilir (Dağıtım Dışı OOD). OOD koşullarında sağlamlık, bu koşulların tespit edilmesinden ve kontrolün sistemi stabilize etmesi için bir geri dönüş sağlanmasından kaynaklanacaktır.”
Kaynak: techxplore.com/news
