Фреймворк глубокого обучения и управления квадрокоптерами и гибкими роботами.

В последние годы ученые-компьютерщики разрабатывают все более совершенные алгоритмы управления движениями роботов-агентов. К ним относятся методы управления с прогнозированием моделей (MPC), которые используют модель динамики агента для оптимизации его будущего поведения по отношению к заданной цели, одновременно удовлетворяя ряду ограничений (например, не может врезаться в препятствия).

Исследователи из Мюнхенского технического университета и Университета Цюриха недавно создали Neural MPC в реальном времени, структуру, которая интегрирует сложные архитектуры моделей, основанные на искусственных нейронных сетях (ANNs), в структуру MPC для гибких роботов (т. е. квадрокоптеров — дронов с четырьмя роторами). . Эта концепция, представленная в IEEE Robotics and Automation Letters , основывается на предыдущем подходе, разработанном Группой робототехники и восприятия Цюрихского университета.

Новая структура, предложенная Зальцманном, Риллом и их коллегами, сочетает в себе модели глубокого обучения и онлайн-оптимизацию MPC. Выразительные модели глубокого обучения требуют больших вычислительных ресурсов. Однако, аппроксимируя их онлайн в режиме реального времени, платформа может использовать специальное оборудование (GPU) для эффективной обработки этих моделей, позволяя их системе прогнозировать оптимальные действия роботов в режиме реального времени.

Исследователи оценивают свою структуру в серии экспериментов, как в смоделированной, так и в реальной среде. В этих тестах они специально используют управление действиями очень маневренного квадрокоптера в режиме реального времени.

Их результаты очень многообещающие, поскольку они могут использовать прогностическую силу архитектур нейронных сетей с параметрической мощностью, более чем в 4000 раз превышающей те, которые ранее использовались для управления движениями гибких роботов в режиме реального времени. Они также обнаружили, что по сравнению с обычными методами MPC без компонента глубокого обучения их структура может уменьшить ошибки позиционного отслеживания до 82%.

Дополнительная информация: Тим Зальцманн и др., Neural MPC в реальном времени: прогнозирующее управление моделью глубокого обучения для квадрокоптеров и гибких робототехнических платформ, IEEE Robotics and Automation Letters (2023). DOI: 10.1109/LRA.2023.3246839

Гиллем Торренте и др., Data-Driven MPC for Quadrotors, IEEE Robotics and Automation Letters (2021). DOI: 10.1109/LRA.2021.3061307

Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК

Бесплатная служба распространения новостей для научных организаций и стартапов

hello@technovery.com