الگوریتم های یادگیری ماشین به هماهنگی رباتها کمک می کند

0
354
الگوریتم های یادگیری ماشین در هماهنگی رباتها

مهندسان دانشگاه Caltech کالیفرنیا با استفاده از الگوریتم های یادگیری ماشین یک روش جدید داده محور برای کنترل حرکت رباتها در فضاهای درهم ریخته و بدون نقشه طراحی کرده اند، به این ترتیب رباتها با هم تداخل نمی کنند.

هماهنگی حرکتی در رباتها یک مساله اساسی در رباتیک می باشد که از جستجو و نجات شهری گرفته تا کنترل اتومبیل های اتوماتیک و شکل گیری پرواز در محیط های در هم ریخته را شامل می شود. دو مسأله اساسی که هماهنگی رباتها را دشوار می کند: یکی اینکه رباتها هنگام حرکت در یک محیط جدید در حالیکه داده کاملی از مسیر بعدی ندارند، باید بتوانند که تصمیمات جداگانه ای با توجه به مسیرهای پیش رویشان بگیرند، دومین مساله این است که هر چه تعداد رباتها در یک منطقه بیشتر باشد، تعامل آنها نیز پیچیده تر خواهد شد.

ترکیب الگوریتم های یادگیری ماشین

برای حل کردن این چالش ها، Soon-Jo Chung استاد هوافضا و Yisong Yue استاد محاسبات و علوم ریاضی به همراه چند تن از دانشجویان فوق دکترا و فارق التحصیل دانشگاه Caltech، یک الگوریتم برنامه ریزی حرکتی برای رباتها به نام “Global-to-Local Safe Autonomy Synthesis” (GLAS) طراحی کردند که برنامه اطلاعات کامل را تنها از طریق اطلاعات محلی تقلید می کند و ” Neural-Swarm” (ازدحام عصبی) یک کنترلر ردیابی ازدحام است که رباتها را برای تعامل های آیرودینامیکی پیچیده در پروازهای نزدیک به هم آموزش می دهد.

چانگ می گوید: “کار ما نتایج امیدوار کننده ای برای غلبه بر ایمنی، استحکام و مقیاس پذیری رویکردهای هوش مصنوعی جعبه سیاه AI برای برنامه ریزی حرکت هنگام ازدحام با الگوریتم GLAS و کنترل نزدیکی برای رباتها از الگوریتم Neural-Swarm استفاده می کند.”

لینک دانلود عملکرد رباتهای پرنده با الگوریتم GLAS و Neural-Swarm

کاربرد الگوریتم های GLAS و Neural-Swarm

هنگامیکه از الگوریتم های یادگیری ماشین GLAS و Neural-Swarm استفاده می شود، ربات نیازی به تصویر کاملی از محیطی که وارد آن شده یا مسیری که رباتهای مجاور می خواهند از آن عبور کنند، ندارد. بلکه رباتها یاد می گیرند که چگونه هنگام پرواز یک مسیر را ردیابی کنند و اطلاعات جدیدی را در حالت “learned model” (مدل یادگیری) برای حرکت ثبت کنند. از آنجاییکه هر ربات در ازدحام تنها به اطلاعات محیط پیرامون خود نیاز دارد، محاسبات غیر متمرکز انجام می شود. اساساً هر ربات به تنهایی فکر می کند و همین مساله موجب می شود تا ازدحام بیشتر شود.

Yue  می گوید: “این پروژه قدرت ترکیب این الگوریتم ها در کنترل و برنامه ریزی چند عاملی را نشان می دهد و همچنین مسیرهای جدید هیجان انگیزی را برای تحقیق در زمینه یادگیری ماشین نشان می دهد.”

لینک دانلود ویدیوی عملرد رباتهای پرنده با وجود مانع هنگام پرواز

الگوریتم های GLAS و Neural-Swarm در پرواز جمعی کوادکوپترها

برای آزمایش سیستم جدید، این تیم تحقیقاتی الگوریتم GLAS و Neural-Swarm را بر روی ۱۶ کوادکوپتر مستقل پیاده سازی کردند. این تیم به این نتیجه رسید که الگوریتم GLAS در ۲۰% موارد بهتر از الگوریتم multi-robot motion-planning عمل می کند. در حالیکه الگوریتم Neural-Swarm به طور قابل توجهی از یک کنترلر تجاری که نمی تواند تعامل های آیرودینامیکی را در نظر بگیرد، بهتر عمل کرده است. خطاهای ردیابی، معیار اصلی در چگونگی جهت یابی هواپیماهای بدون سرنشین و ردیابی موقعیتهای مورد نظر در فضای سه بعدی، هنگام استفاده از کنترلر جدید، چهار برابر کوچکتر بود.

لینک دانلود ویدیوی پرواز همزمان ۱۶ کوادکوپتر

این پروژه در مجله IEEE در یازدهم May منتشر شده است. الگوریتم های یادگیری ماشین GLAS و Neural-Swarm به طور کامل در این مجله شرح داده شده و عملکرد آنها بر روی رباتهای پرنده گروهی آزمایش شده و نتایج آن نیز شرح داده شده است.

ارسال یک پاسخ

لطفا دیدگاه خود را وارد کنید!
لطفا نام خود را در اینجا وارد کنید