Didžiuliame danguje, kur kažkada viešpatavo paukščiai, skrenda naujas aviatorių derlius. Šie oro pionieriai nėra gyvi padarai, o sąmoningų naujovių produktas: dronai. Bet tai nėra tipiški skraidantys robotai, dūzgiantys kaip mechaninės bitės. Atvirkščiai, tai paukščių įkvėpti stebuklai, skrendantys dangumi, vadovaujami skystųjų neuroninių tinklų, kad tiksliai ir lengvai naršytų nuolat besikeičiančioje ir neregėtoje aplinkoje.
Įkvėpti prisitaikančios organinių smegenų prigimties, MIT Kompiuterių mokslų ir dirbtinio intelekto laboratorijos (CSAIL) mokslininkai pristatė patikimų skrydžių navigacijos agentų metodą, skirtą įvaldyti vizija pagrįstus skrydžio į taikinį užduotis sudėtingoje, nepažįstamoje aplinkoje. Skystieji neuroniniai tinklai, kurie gali nuolat prisitaikyti prie naujų duomenų įvesties, parodė meistriškumą priimdami patikimus sprendimus nežinomose srityse, tokiose kaip miškai, miesto kraštovaizdžiai ir aplinka, kurioje yra papildomas triukšmas, sukimasis ir okliuzija. Šie pritaikomi modeliai, kurie navigacijos užduotyse pralenkė daugelį moderniausių analogų, galėtų įgalinti galimas realaus pasaulio dronų programas, tokias kaip paieška ir gelbėjimas, pristatymas ir laukinės gamtos stebėjimas.
Naujausias mokslininkų tyrimas, paskelbtas šiandien Mokslo robotika, išsamiai aprašoma, kaip šios naujos rūšies agentai gali prisitaikyti prie didelių platinimo pokyčių, kurie yra ilgalaikis iššūkis šioje srityje. Tačiau naujoji komandos mašininio mokymosi algoritmų klasė užfiksuoja užduočių priežastinę struktūrą iš didelės apimties, nestruktūrizuotų duomenų, tokių kaip pikselių įvestis iš drone sumontuotos kameros. Tada šie tinklai gali išskirti esminius užduoties aspektus (ty suprasti atliekamą užduotį) ir nepaisyti nereikšmingų ypatybių, todėl įgyti navigacijos įgūdžiai gali sklandžiai perkelti taikinius į naują aplinką.
Dronai naršo neregėtoje aplinkoje naudodami skystus neuroninius tinklus.
„Esame sužavėti didžiuliu mūsų mokymu pagrįsto robotų valdymo metodo potencialu, nes jis sudaro pagrindą spręsti problemas, kylančias treniruojantis vienoje aplinkoje ir naudojant visiškai kitokioje aplinkoje be papildomo mokymo“, – sako Daniela Rus, CSAIL. direktorius ir Andrew (1956 m.) ir Erna Viterbi MIT elektros inžinerijos ir kompiuterių mokslo profesoriai. „Mūsų eksperimentai rodo, kad galime efektyviai išmokyti droną aptikti objektą miške vasarą, o vėliau panaudoti modelį žiemą, esant labai skirtingoms aplinkoms ar net miesto aplinkoje, atliekant įvairias užduotis, pavyzdžiui, ieškoti ir sekti. Šis prisitaikymas pasiekiamas dėl priežastinių mūsų sprendimų pagrindų. Šie lankstūs algoritmai vieną dieną galėtų padėti priimti sprendimus, pagrįstus duomenų srautais, kurie laikui bėgant keičiasi, pavyzdžiui, medicininės diagnozės ir autonominio vairavimo programomis.
Priešakyje buvo bauginantis iššūkis: ar mašininio mokymosi sistemos supranta užduotį, kuri joms suteikiama iš duomenų, kai skraidinami dronai į nepažymėtą objektą? Ir ar jie galėtų perkelti savo išmoktus įgūdžius ir užduotis į naują aplinką, kurioje drastiškai pasikeičia kraštovaizdis, pavyzdžiui, skrendant iš miško į miesto kraštovaizdį? Be to, skirtingai nuo mūsų biologinių smegenų gebėjimų, giluminio mokymosi sistemos kovoja su priežastingumo fiksavimu, dažnai per daug pritaiko savo mokymo duomenis ir nesugeba prisitaikyti prie naujos aplinkos ar besikeičiančių sąlygų. Tai ypač kelia nerimą ribotų išteklių įterptoms sistemoms, pvz., oro dronams, kurioms reikia įveikti įvairias aplinkas ir akimirksniu reaguoti į kliūtis.
Skystieji tinklai, priešingai, suteikia daug žadančių preliminarių požymių apie jų gebėjimą pašalinti šį esminį gilaus mokymosi sistemų silpnumą. Pirmą kartą komandos sistema buvo apmokyta remiantis žmogaus piloto surinktais duomenimis, siekiant pamatyti, kaip jie perkėlė įgytus navigacijos įgūdžius į naują aplinką, drastiškai pasikeitus kraštovaizdžiui ir sąlygoms. Skirtingai nuo tradicinių neuroninių tinklų, kurie mokosi tik mokymo fazėje, skystojo neuroninio tinklo parametrai laikui bėgant gali keistis, todėl jie yra ne tik interpretuojami, bet ir atsparesni netikėtiems ar triukšmingiems duomenims.
Atliekant keletą kvadrotorinių uždaro ciklo valdymo eksperimentų, dronams buvo atlikti nuotolio bandymai, testavimas nepalankiausiomis sąlygomis, taikinio sukimasis ir okliuzija, žygiai su priešais, trikampės kilpos tarp objektų ir dinaminis taikinio stebėjimas. Jie stebėjo judančius taikinius ir vykdė kelių žingsnių kilpas tarp objektų dar nematytoje aplinkoje, pranokdami kitų pažangiausių kolegų našumą.
Komanda mano, kad galimybė mokytis iš ribotų ekspertų duomenų ir suprasti duotąją užduotį apibendrinant naujoms aplinkoms gali padaryti autonominį droną efektyvesnį, ekonomiškesnį ir patikimesnį. Jie pažymėjo, kad skystieji neuroniniai tinklai gali leisti naudoti autonominius oro mobilumo dronus aplinkos stebėjimui, siuntų pristatymui, autonominėms transporto priemonėms ir robotams asistentams.
„Mūsų darbe pateikta eksperimentinė sąranka išbando įvairių giluminio mokymosi sistemų samprotavimo galimybes kontroliuojamuose ir nesudėtinguose scenarijuose“, – sako MIT CSAIL tyrimų filialas Raminas Hasani. „Vis dar liko tiek daug erdvės būsimiems moksliniams tyrimams ir plėtrai, susijusioms su sudėtingesniais AI sistemų samprotavimo iššūkiais autonominėse navigacijos programose, kuriuos reikia išbandyti, kad galėtume saugiai jas įdiegti mūsų visuomenėje.
„Tvirtas mokymasis ir našumas atliekant neplatinimo užduotis ir scenarijus yra keletas pagrindinių problemų, kurias turi įveikti mašininis mokymasis ir autonominės robotų sistemos, kad galėtų toliau žengti į visuomenei svarbias programas“, – sako Alessio Lomuscio, AI saugos profesorius. Londono imperatoriškojo koledžo skaičiavimo katedroje. „Šiame kontekste skystųjų neuroninių tinklų, naujos smegenų įkvėptos paradigmos, sukurtos MIT autorių, veikimas, apie kurį pranešta šiame tyrime, yra puikus. Jei šie rezultatai bus patvirtinti kitais eksperimentais, čia sukurta paradigma prisidės prie AI ir robotų sistemų patikimumo, tvirtumo ir efektyvumo.
Akivaizdu, kad dangus nebėra riba, o didžiulė žaidimų aikštelė neribotoms šių ore sklindančių stebuklų galimybėms.
Hasani ir doktorantas Makram Chahine; Patrick Kao ’22, MEng ’22; ir doktorantas Aaronas Ray’us SM ’21 parašė darbą su Ryan Shubert ’20, MEng ’22; MIT postdocs Mathias Lechner ir Alexander Amini; ir Rus.
Šį tyrimą iš dalies palaikė Schmidt Futures, JAV oro pajėgų tyrimų laboratorija, JAV oro pajėgų dirbtinio intelekto greitintuvas ir Boeing Co.
