Дослідники з Університету Іллінойсу в Урбана-Шампейн розробили метод навчання роботів, який підвищує точність їхнього руху на 15%. Технологія допомагає роботам краще дотримуватися заданого маршруту та зберігати стабільність.
Про це пише видання Interesting Engineering.
Новий метод отримав назву Contraction-Aware Reinforcement Learning (CARL). Він поєднує навчання з підкріпленням і математичну теорію, яка дозволяє контролювати стійкість роботів та обмежувати відхилення від запланованої траєкторії.
Навчання з підкріпленням передбачає, що робот поступово вдосконалює свої дії, отримуючи зворотний зв’язок під час взаємодії з навколишнім середовищем. Однак такий підхід не гарантує стабільної роботи. Навіть навчившись виконувати завдання, робот може рухатися непередбачувано або надто сильно відхилятися від маршруту.
CARL покликаний розв’язати цю проблему. Для цього дослідники використали теорію стиснення, яка допомагає математично оцінювати стійкість систем, що змінюються з часом. Завдяки цьому робот може самостійно вдосконалювати свої рухи, а система водночас обмежує можливі помилки.
Технологія не усуває відхилення повністю, проте дозволяє встановити математично обґрунтовані межі їхньої величини. Це має зменшити ризик нестабільної поведінки та пошкодження обладнання під час роботи.
Спочатку науковці перевірили CARL у комп’ютерних симуляціях, а потім провели випробування на реальних роботах в авіаційній лабораторії. Для експериментів використали три різні платформи: колісного робота TurboBot 3 Burger, літальний апарат із махальними крилами та шестиногого робота Jethexa.
Результати показали, що новий метод забезпечує до 15% кращу точність відстеження заданої траєкторії порівняно з наявними підходами. Покращення зафіксували як у симуляціях, так і під час фізичних випробувань.
Окрему увагу дослідники приділили відмінностям між віртуальними моделями та реальними роботами. Наприклад, під час навчання система може використовувати модель робота масою 1 кг, хоча фактична маса пристрою становить 1,2 кг. Такі розбіжності впливають на реакцію обладнання на команди та точність його рухів.
За результатами експериментів, CARL краще справлявся з подібними невизначеностями,
ніж інші методи. Це свідчить про можливість застосування технології не лише в комп’ютерних моделях, а й у реальних умовах.
Одним із потенційних напрямів використання розробки науковці називають боротьбу з лісовими пожежами. Роботи могли б працювати в небезпечних районах, виявляти осередки займання, збирати інформацію та доставляти необхідне спорядження рятувальникам. Для таких завдань особливо важливо, щоб техніка точно дотримувалася маршруту й не здійснювала непередбачуваних рухів.
Читайте також:
