Rewelacyjny wykład ze Stanford'a – roboty, sztuczna inteligencja, ryzyko i/a bezpieczeństwo
2023-03-23, Paweł P.
Rewelacyjny wykład, polecam!
Roboty autonomiczne są coraz częściej stosowane do zadań, które obejmują złożone manewry i dynamiczne środowiska, które są trudne do modelowania a priori. Zaproponowano różne rodzaje metod uczenia się, aby wypełnić tę lukę w modelowaniu. Aby umotywować potrzebę uczenia się złożonych interakcji płyn-struktura, najpierw omówimy systemy SQUID (balistycznie wystrzeliwany i samostabilizujący się dron) i PARSEC (powietrzny manipulator, który może dostarczać samozakotwiczące się moduły sieci czujników). Następnie pokazujemy jak nauczyć się podstawowych interakcji płyn-struktura przy użyciu technik spektralnych Koopmana i włączyć wyuczony model do nieliniowego modelu sterowania predykcyjnego w czasie rzeczywistym.
Wydajność tego podejścia jest zademonstrowana na małych dronach, które działają bardzo blisko ziemi, gdzie efekt gruntowy normalnie destabilizuje lot.
Ryzyko operacyjne występuje w złożonych zadaniach robotycznych.
Ryzyko to wynika zarówno z niepewnego środowiska, jak i z niekompletnie poznanych modeli. Po zapoznaniu się z podstawami spójnych miar ryzyka, pokażemy jak prosta analiza terenu uwzględniająca ryzyko poprawiła osiągi naszych robotów na nogach i kołach w wyzwaniu DARPA Subterranean. Następnie przedstawimy metodę on-line uczenia się dynamiki nieznanej dynamicznej przeszkody i solidnego unikania przeszkody przy użyciu nowatorskich, opartych na ryzyku, odpornych na dystrybucję, ograniczeń losowych pochodzących z ewoluującego modelu. Następnie wprowadzamy pojęcie powierzchni ryzyka, aby umożliwić szybkie uczenie się on-line nieznanych zakłóceń dynamicznych i pokazujemy, jak to podejście może dostosować drona do zakłóceń wiatrowych w ciągu zaledwie 45 sekund zbierania danych on-line.