I droni navigano in ambienti invisibili con reti neurali liquide.

Drones navigate with liquid neural networks in invisible environments.

I ricercatori del MIT presentano un nuovo avanzamento nella navigazione autonoma dei droni, utilizzando reti neurali liquide ispirate al cervello che eccellono in scenari fuori distribuzione.

Makram Chahine, a PhD student in electrical engineering and computer science and an MIT CSAIL affiliate, leads a drone used to test liquid neural networks.

Nei vasti cieli dove un tempo regnavano i volatili, una nuova generazione di aviatori sta prendendo il volo. Questi pionieri dell’aria non sono esseri viventi, ma piuttosto un prodotto di innovazione deliberata: i droni. Ma non sono i soliti robot volanti che ronzano come api meccaniche. Sono invece meraviglie ispirate agli uccelli che si librano nel cielo, guidati da reti neurali liquide per navigare in ambienti mutevoli e invisibili con precisione ed agilità.

Ispirati dalla natura adattabile dei cervelli organici, i ricercatori del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT hanno introdotto un metodo per far sì che agenti di navigazione robusti imparino a volare verso obiettivi basati sulla visione in ambienti intricati e sconosciuti. Le reti neurali liquide, che possono continuamente adattarsi a nuovi input di dati, hanno dimostrato di essere abili nel prendere decisioni affidabili in domini sconosciuti come foreste, paesaggi urbani e ambienti con rumore, rotazione ed occultamento aggiunti. Questi modelli adattabili, che hanno superato molti dei loro concorrenti di ultima generazione in compiti di navigazione, potrebbero rendere possibili applicazioni reali di droni come ricerca e salvataggio, consegna e monitoraggio della fauna selvatica.

Lo studio recente dei ricercatori, pubblicato oggi in Science Robotics, dettaglia come questa nuova generazione di agenti può adattarsi a significativi cambiamenti di distribuzione, una sfida che da tempo si pone nel campo. La nuova classe di algoritmi di apprendimento automatico del team, tuttavia, cattura la struttura causale dei compiti dai dati ad alta dimensionalità non strutturati, come gli input a pixel da una telecamera montata su un drone. Queste reti possono quindi estrarre aspetti cruciali di un compito (cioè comprendere il compito a portata di mano) e ignorare le caratteristiche non rilevanti, consentendo alle abilità di navigazione acquisite di trasferirsi senza soluzione di continuità verso nuovi ambienti.

“Siamo entusiasti dell’immensa potenzialità del nostro approccio di controllo basato sull’apprendimento per i robot, poiché getta le basi per risolvere i problemi che sorgono durante l’addestramento in un ambiente e il dispiegamento in un ambiente completamente diverso senza ulteriore addestramento”, dice Daniela Rus, direttrice del CSAIL e professore di ingegneria elettrica e informatica del MIT. “I nostri esperimenti dimostrano che possiamo insegnare efficacemente a un drone a individuare un oggetto in una foresta durante l’estate, e poi dispiegare il modello in inverno, con ambienti radicalmente diversi, o anche in ambienti urbani, con compiti vari come la ricerca e il follow-up. Questa adattabilità è resa possibile dalle basi causali delle nostre soluzioni. Questi algoritmi flessibili potrebbero un giorno aiutare nella presa di decisioni basate su flussi di dati che cambiano nel tempo, come la diagnosi medica e le applicazioni di guida autonoma”.

Un’ardua sfida era all’ordine del giorno: i sistemi di apprendimento automatico comprendono il compito loro assegnato dai dati quando pilotano droni verso un oggetto non contrassegnato? E sarebbero in grado di trasferire la loro abilità e il loro compito appreso a nuovi ambienti con drastici cambiamenti di scenario, come volare da una foresta a un paesaggio urbano? Inoltre, a differenza delle notevoli capacità dei nostri cervelli biologici, i sistemi di apprendimento profondo faticano a catturare la causalità, sovraadattandosi frequentemente ai dati di addestramento e non adattandosi a nuovi ambienti o condizioni mutevoli. Questo è particolarmente preoccupante per i sistemi embedded con risorse limitate, come i droni aerei, che devono attraversare ambienti vari e rispondere agli ostacoli istantaneamente.

Le reti liquide, al contrario, offrono promettenti indicazioni preliminari della loro capacità di affrontare questa debolezza cruciale nei sistemi di apprendimento profondo. Il sistema del team è stato prima addestrato sui dati raccolti da un pilota umano, per vedere come trasferisse le abilità di navigazione apprese a nuovi ambienti con drastici cambiamenti di scenario e condizioni. A differenza delle tradizionali reti neurali che apprendono solo durante la fase di addestramento, i parametri della rete neurale liquida possono cambiare nel tempo, rendendoli non solo interpretabili, ma anche più resistenti ai dati inaspettati o rumorosi.

In una serie di esperimenti di controllo a circuito chiuso con quadrotori, i droni hanno affrontato test di gamma, test di stress, rotazione e occultamento dell’obiettivo, escursioni con avversari, loop triangolari tra oggetti e tracciamento dinamico dell’obiettivo. Hanno tracciato obiettivi in movimento ed eseguito loop multipli tra oggetti in ambienti mai visti prima, superando le prestazioni di altri concorrenti all’avanguardia.

Il team ritiene che la capacità di apprendere da dati di esperti limitati e comprendere un compito dato mentre si generalizza a nuovi ambienti potrebbe rendere più efficiente, conveniente e affidabile il dispiegamento di droni autonomi. Le reti neurali liquide, hanno notato, potrebbero consentire ai droni di mobilità aerea autonoma di essere utilizzati per il monitoraggio ambientale, la consegna di pacchi, i veicoli autonomi e gli assistenti robotici.

“La configurazione sperimentale presentata nel nostro lavoro mette alla prova le capacità di ragionamento di vari sistemi di apprendimento profondo in scenari controllati e semplici”, afferma Ramin Hasani, ricercatore associato del CSAIL del MIT. “C’è ancora molto spazio per futuri studi e sviluppi su sfide di ragionamento più complesse per i sistemi di intelligenza artificiale nelle applicazioni di navigazione autonoma, che devono essere testati prima che possiamo utilizzarli in sicurezza nella nostra società”.

“L’apprendimento e le prestazioni robuste in compiti e scenari fuori distribuzione sono alcuni dei problemi chiave che l’apprendimento automatico e i sistemi robotici autonomi devono superare per fare ulteriori progressi in applicazioni critiche per la società”, afferma Alessio Lomuscio, professore di sicurezza dell’intelligenza artificiale nel Dipartimento di Informatica del Imperial College di Londra. “In questo contesto, le prestazioni delle reti neurali liquide, un nuovo paradigma ispirato al cervello sviluppato dagli autori al MIT, riportate in questo studio sono notevoli. Se questi risultati saranno confermati in altri esperimenti, il paradigma qui sviluppato contribuirà a rendere i sistemi di intelligenza artificiale e robotici più affidabili, robusti ed efficienti”.

Chiaramente, il cielo non è più il limite, ma piuttosto un vasto terreno di gioco per le infinite possibilità di questi meravigliosi dispositivi volanti.

Il dottor Hasani e lo studente di dottorato Makram Chahine; Patrick Kao ’22, MEng ’22; e lo studente di dottorato Aaron Ray SM ’21 hanno scritto il paper insieme a Ryan Shubert ’20, MEng ’22; i postdottorandi del MIT Mathias Lechner e Alexander Amini; e Rus.

Questa ricerca è stata finanziata, in parte, da Schmidt Futures, il Laboratorio di Ricerca dell’US Air Force, l’Acceleratore di Intelligenza Artificiale dell’US Air Force e la Boeing Co.