Rivoluzionando la navigazione ricercatori del MIT svelano un nuovo approccio di apprendimento automatico per la stabilizzazione dei veicoli autonomi e l’evitamento degli ostacoli.

Ricercatori del MIT svelano nuovo approccio di apprendimento automatico per la stabilizzazione dei veicoli autonomi e l'evitamento degli ostacoli, rivoluzionando la navigazione.

Ricercatori del MIT hanno sviluppato una tecnica innovativa che consente alle macchine di risolvere problemi di stabilità e evitamento complessi in modo più efficace rispetto ai metodi precedenti. Il nuovo approccio di apprendimento automatico, presentato in un articolo dall’autore principale Oswin So e dall’autore senior Chuchu Fan, consente ai velivoli autonomi di navigare in terreni pericolosi con un aumento di dieci volte della stabilità e di raggiungere i loro obiettivi garantendo la sicurezza.

Il problema di stabilità ed evitamento si riferisce al conflitto che i velivoli autonomi incontrano quando cercano di raggiungere i loro obiettivi evitando collisioni con ostacoli o rilevamenti radar. Molti dei metodi di intelligenza artificiale esistenti non riescono a superare questa sfida, impedendo loro di portare a termine le missioni in sicurezza.

Per affrontare questo problema, i ricercatori del MIT hanno ideato una soluzione in due fasi. In primo luogo, hanno riformulato il problema di stabilità ed evitamento come un problema di ottimizzazione vincolata, consentendo all’agente di raggiungere e stabilizzarsi all’interno di una regione obiettivo designata. Incorporando dei vincoli, hanno garantito che l’agente evitasse efficacemente gli ostacoli.

• Un team di ricerca composto da Google, Cornell e UC Berkeley ha presentato OmniMotion un metodo di intelligenza artificiale rivoluzionario per la stima del movimento denso e a lungo raggio nei video.
• NVIDIA Research vince la sfida di guida autonoma e il premio per l’innovazione al CVPR.
• Ricercatori di Harvard introducono Intervento durante l’Inferenza Temporale (ITI) una tecnica di intelligenza artificiale che migliora la veridicità dei modelli di linguaggio dal 32,5% al 65,1%.

La seconda fase ha comportato la riformulazione del problema di ottimizzazione vincolata nella forma epigrafe, una rappresentazione matematica che poteva essere risolta utilizzando un algoritmo di apprendimento per rinforzo profondo. Superando le limitazioni degli approcci di apprendimento per rinforzo esistenti, i ricercatori sono riusciti a derivare espressioni matematiche specifiche per il sistema e a combinarle con le tecniche di ingegneria esistenti.

I ricercatori hanno condotto esperimenti di controllo con diverse condizioni iniziali per testare il loro approccio. Il loro metodo ha stabilito tutte le traiettorie mantenendo la sicurezza, superando diversi metodi di base. In uno scenario ispirato al film “Top Gun”, i ricercatori hanno simulato un jet che vola attraverso un corridoio stretto vicino al suolo. Il loro controllore ha efficacemente stabilizzato il jet, prevenendo collisioni o stallo e superando altri metodi di base.

Questa tecnica innovativa ha applicazioni promettenti nella progettazione di controllori per robot altamente dinamici che richiedono garanzie di sicurezza e stabilità, come i droni di consegna autonomi. Potrebbe anche essere implementata come parte di sistemi più ampi, assistendo i conducenti nella navigazione in condizioni pericolose, ad esempio ripristinando la stabilità quando un’auto slitta su una strada innevata.

I ricercatori prevedono di fornire all’apprendimento per rinforzo le garanzie di sicurezza e stabilità necessarie per dispiegare i controllori in sistemi critici per la missione. Questo approccio rappresenta un passo significativo verso il raggiungimento di tale obiettivo. In futuro, il team prevede di migliorare la tecnica per tener conto dell’incertezza nella risoluzione dell’ottimizzazione e di valutarne le prestazioni quando viene implementata sull’hardware, considerando la dinamica delle situazioni del mondo reale.

Gli esperti non coinvolti nella ricerca hanno elogiato il team del MIT per il miglioramento delle prestazioni dell’apprendimento per rinforzo nei sistemi in cui la sicurezza è fondamentale. La capacità di generare controllori sicuri per scenari complessi, incluso un modello di jet non lineare, ha implicazioni di vasta portata per il campo.