Ricercatori del MIT e di Stanford hanno sviluppato una tecnica di apprendimento automatico che può imparare in modo efficiente a controllare un robot, portando a una migliore performance con meno dati.

Ricercatori del MIT e di Stanford hanno sviluppato una tecnica di apprendimento automatico per controllare un robot in modo più efficiente e con meno dati.

Ricercatori del MIT e dell’Università di Stanford hanno introdotto una nuova tecnica di apprendimento automatico che ha il potenziale per rivoluzionare il controllo dei robot, come droni e veicoli autonomi, in ambienti dinamici con condizioni che cambiano rapidamente.

L’approccio innovativo incorpora principi di teoria del controllo nel processo di apprendimento automatico, consentendo la creazione di controllori più efficienti ed efficaci. I ricercatori hanno cercato di apprendere le strutture intrinseche all’interno della dinamica del sistema che potrebbero essere sfruttate per progettare controllori di stabilizzazione superiori.

Al centro della tecnica vi è l’integrazione di strutture orientate al controllo nel processo di apprendimento del modello. Apprendendo congiuntamente la dinamica del sistema e queste uniche strutture orientate al controllo dai dati, i ricercatori sono stati in grado di generare controllori che si comportano in modo notevolmente efficace in scenari reali.

• Una nuova ricerca sull’IA proveniente dalla Cina propone SHIP un approccio all’IA generativa plug-and-play per migliorare i metodi esistenti di fine-tuning.
• Chatbot per i tuoi documenti Google utilizzando Langchain e OpenAI
• Ricercatori dell’ETH di Zurigo presentano LMQL un linguaggio di programmazione per l’interazione con i modelli di linguaggio.

A differenza dei metodi tradizionali di apprendimento automatico che richiedono passaggi separati per derivare o apprendere controllori, questo nuovo approccio estrae immediatamente un controllore efficace dal modello appreso. Inoltre, la tecnica ottiene prestazioni migliori con meno dati grazie all’inclusione di queste strutture orientate al controllo, rendendola particolarmente preziosa in ambienti in rapida evoluzione.

Il metodo trae ispirazione da come i robotisti utilizzano la fisica per derivare modelli più semplici di robot. Questi modelli derivati manualmente catturano relazioni strutturali essenziali basate sulla fisica del sistema. Tuttavia, in sistemi complessi in cui la modellazione manuale diventa impossibile, i ricercatori spesso utilizzano l’apprendimento automatico per adattare un modello ai dati. La sfida dei metodi esistenti è che trascurano le strutture basate sul controllo, che sono cruciali per ottimizzare le prestazioni del controllore.

La tecnica del team del MIT e di Stanford affronta questa limitazione incorporando strutture orientate al controllo durante l’apprendimento automatico. In questo modo, estraggono controllori direttamente dal modello di dinamica appreso, unendo efficacemente l’approccio ispirato alla fisica con l’apprendimento basato sui dati.

Durante i test, il nuovo controllore ha seguito da vicino le traiettorie desiderate e ha superato vari metodi di confronto. In modo sorprendente, il controllore derivato dal modello appreso ha quasi raggiunto le prestazioni di un controllore a verità di terra, che è costruito utilizzando una dinamica di sistema esatta.

La tecnica è stata anche molto efficiente in termini di dati, raggiungendo prestazioni eccezionali con un numero minimo di punti dati. Al contrario, altri metodi che utilizzavano più componenti apprese hanno subito un rapido declino delle prestazioni con set di dati più piccoli.

Questa efficienza dei dati è particolarmente promettente per scenari in cui i robot o i droni devono adattarsi rapidamente a condizioni in rapido cambiamento, rendendoli adatti per applicazioni reali.

Uno degli aspetti notevoli della ricerca è la sua generalità. L’approccio può essere applicato a vari sistemi dinamici, inclusi bracci robotici e veicoli spaziali a volo libero che operano in ambienti a bassa gravità.

In futuro, i ricercatori sono interessati a sviluppare modelli più interpretabili, che consentano di identificare informazioni specifiche su un sistema dinamico. Ciò potrebbe portare a controllori ancora più performanti, avanzando ulteriormente nel campo del controllo di feedback non lineare.

Gli esperti del settore hanno elogiato i contributi di questa ricerca, evidenziando in particolare l’integrazione di strutture orientate al controllo come un presupposto induttivo nel processo di apprendimento. Questa innovazione concettuale ha portato a un processo di apprendimento altamente efficiente, risultando in modelli dinamici con strutture intrinseche favorevoli a un controllo efficace, stabile e robusto.

Incorporando strutture orientate al controllo durante il processo di apprendimento, questa tecnica apre interessanti possibilità per controllori più efficienti ed efficaci, portandoci un passo più vicini a un futuro in cui i robot possono navigare scenari complessi con notevole abilità e adattabilità.