ఇటీవలి సంవత్సరాలలో, కంప్యూటర్ శాస్త్రవేత్తలు రోబోటిక్ ఏజెంట్ల కదలికలను నిర్దేశించడానికి మరింత అధునాతన అల్గారిథమ్‌లను సృష్టించారు. వీటిలో మోడల్ ప్రిడిక్టివ్ కంట్రోల్ (MPC) స్ట్రాటజీలు ఉన్నాయి, ఇవి ఏజెంట్ యొక్క డైనమిక్స్ యొక్క నమూనాను ఉపయోగించి, పరిమితుల సమితిని సంతృప్తిపరిచేటప్పుడు (ఉదాహరణకు, అడ్డంకులను కొట్టకుండా) ఇచ్చిన లక్ష్యం వైపు దాని సమీపించే ప్రవర్తనను ఆప్టిమైజ్ చేస్తుంది.
మోడల్ ప్రిడిక్టివ్ కంట్రోల్ స్ట్రాటజీస్ మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ టెక్నాలజీస్
రియల్-టైమ్ న్యూరల్ MPC అనేది కృత్రిమ న్యూరల్ నెట్‌వర్క్‌ల (ANNలు) ఆధారిత సంక్లిష్ట మోడల్ నిర్మాణాలను మొబైల్ రోబోట్‌ల (అంటే క్వాడ్రోటర్స్-డ్రోన్స్) కోసం MPC ఫ్రేమ్‌వర్క్‌లోకి అనుసంధానించే ఫ్రేమ్‌వర్క్. మ్యూనిచ్‌లోని టెక్నికల్ యూనివర్శిటీ మరియు యూనివర్శిటీ ఆఫ్ జూరిచ్ పరిశోధకులు దీనిని ఇటీవలే అభివృద్ధి చేశారు. IEEE రోబోటిక్స్ మరియు ఆటోమేషన్ లెటర్స్‌లో నివేదించబడిన ఈ ఆలోచన, యూనివర్శిటీ ఆఫ్ జూరిచ్ రోబోటిక్స్ మరియు పర్సెప్షన్ గ్రూప్ ద్వారా గతంలో సృష్టించబడిన ఆలోచనను విస్తరించింది.
మ్యూనిచ్‌లోని టెక్నికల్ యూనివర్శిటీలో అటానమస్ ఎయిర్ సిస్టమ్స్ గ్రూప్‌లోని పరిశోధకులు టిమ్ సాల్జ్మాన్ మరియు మార్కస్ రిల్ టెక్ ఇలా అన్నారు: “డేడా స్కారాముజా నేతృత్వంలోని రోబోటిక్స్ మరియు సెన్సింగ్ గ్రూప్ డేటాను కలిగి ఉండాలనే వారి ప్రధాన ఆలోచనను అభివృద్ధి చేయడానికి మేము అద్భుతమైన పనిని చూశాము. -డ్రైవెన్ (నేర్చుకున్న) భాగాలు 'సాంప్రదాయ' నియంత్రణ అల్గారిథమ్‌లను శక్తివంతం చేస్తాయి. మేము వెంటనే ఆకర్షించబడ్డాము.
"గాస్సియన్ ప్రక్రియలను (GPs) ఉపయోగించి సాధారణ న్యూరల్ నెట్‌వర్క్‌లకు (డీప్ లెర్నింగ్ మోడల్స్) వారి విధానాన్ని విస్తరించడానికి ప్రూఫ్-ఆఫ్-కాన్సెప్ట్‌ను అభివృద్ధి చేసిన తర్వాత, మేము మా ఆలోచనను జ్యూరిచ్ విశ్వవిద్యాలయంలోని రోబోటిక్స్ మరియు పర్సెప్షన్ గ్రూప్‌కి అందించాము. ఈ సమయం నుండి, రెండు ప్రయోగశాలల సాంకేతిక పని మరియు పరీక్షలు సంయుక్తంగా పురోగమించాయి మరియు కొత్త భాగస్వామ్యానికి దారితీసింది.
సాల్జ్మాన్, రిల్ మరియు ఇతరులు ప్రతిపాదించిన కొత్త ఫ్రేమ్‌వర్క్‌లో డీప్ లెర్నింగ్ మోడల్‌లు మరియు ఆన్‌లైన్ MPC ఆప్టిమైజేషన్ కలపబడ్డాయి. డీప్ లెర్నింగ్ ఎక్స్‌ప్రెషన్ మోడల్‌లకు చాలా గణన అవసరం. అయినప్పటికీ, ఫ్రేమ్‌వర్క్ ఈ మోడల్‌లను నిజ సమయంలో ఆన్‌లైన్‌లో సమర్ధవంతంగా అందించడానికి ప్రత్యేక హార్డ్‌వేర్ (GPUలు)ని ఉపయోగించవచ్చు. ఇది రోబోట్‌ల కోసం ఉత్తమమైన చర్యను నిజ సమయంలో అంచనా వేయడానికి వారి సిస్టమ్‌లను అనుమతిస్తుంది.
సాల్జ్మాన్ మరియు రిల్ ఇలా అన్నారు: "రియల్-టైమ్ న్యూరల్ MPC ఫ్రేమ్‌వర్క్ రెండు డొమైన్‌లను సరైన నియంత్రణ మరియు లోతైన అభ్యాసాన్ని మిళితం చేస్తుంది, అదే సమయంలో రెండు భాగాలు వారి స్వంత అత్యంత ఆప్టిమైజ్ చేయబడిన ఫ్రేమ్‌వర్క్‌లు మరియు గణన పరికరాల ప్రయోజనాన్ని పొందేందుకు వీలు కల్పిస్తుంది. “కాబట్టి, CPUలో కంపైల్ చేయబడిన C కోడ్‌లో నియంత్రణ ఆప్టిమైజేషన్ నిర్వహించబడుతుంది, అయితే లోతైన అభ్యాస గణనలను PyTorch/Tensorflowలో GPUలో నిర్వహించవచ్చు. ఇది ఆన్-బోర్డ్ క్వాడ్రోటర్ ఆప్టిమల్ కంట్రోల్ వంటి ఇప్పటివరకు ఆచరణీయం కాని అప్లికేషన్‌లలో లోతైన అభ్యాసాన్ని ఉపయోగించడానికి అనుమతిస్తుంది.
పరిశోధకులు వారి ఫ్రేమ్‌వర్క్‌ను అనుకరణల శ్రేణి మరియు ఫీల్డ్-ఆధారిత పరీక్షల ద్వారా అంచనా వేస్తారు. ఈ అధ్యయనాలలో, ఇది నిజ సమయంలో అత్యంత మొబైల్ క్వాడ్రోటర్ యొక్క కదలికలను నియంత్రించడానికి ప్రత్యేకంగా ఉపయోగించబడుతుంది.
మొబైల్ రోబోట్‌ల కదలికలను నిజ సమయంలో నియంత్రించడానికి గతంలో ఉపయోగించిన వాటి కంటే 4.000 రెట్లు ఎక్కువ పారామెట్రిక్ కెపాసిటీతో న్యూరల్ నెట్‌వర్క్ టోపోలాజీలను ఉపయోగించగల సామర్థ్యం చాలా మంచి ఫలితాలను సాధించడానికి వీలు కల్పించింది. లోతైన అభ్యాస భాగం లేకుండా సాంప్రదాయ MPC విధానాలతో పోలిస్తే వారు అభివృద్ధి చేసిన ఫ్రేమ్‌వర్క్ ప్రాదేశిక ట్రాకింగ్ లోపాలను 82% వరకు తగ్గించగలదని కూడా వారు కనుగొన్నారు.
సాల్జ్మాన్ మరియు రిల్ ప్రకారం, "రోబోటిక్స్‌లో, మేము నియంత్రిత వ్యవస్థల యొక్క డైనమిక్స్ మరియు పర్యావరణంతో వాటి పరస్పర చర్య యొక్క అర్ధవంతమైన నమూనాల కోసం చూస్తాము (ఉదా. ఏరోడైనమిక్ ప్రభావాలు, టైర్ రాపిడి మొదలైనవి)". "ఇవి తరచుగా విశ్లేషించడం కష్టం అయినప్పటికీ, అభ్యాస-ఆధారిత పద్ధతులు, ముఖ్యంగా న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగిస్తున్నవి, డైనమిక్స్ మరియు ఇంటరాక్షన్ ప్రభావాలను సంగ్రహించగలవు. అయినప్పటికీ, మోడల్ యొక్క ఖచ్చితత్వం న్యూరల్ నెట్‌వర్క్ పరిమాణంతో పెరుగుతుంది. రియల్ టైమ్ న్యూరల్ MPCలో డీప్ లెర్నింగ్ మోడల్‌లను ఉపయోగించినప్పుడు, మోడల్ గతంలో సాధ్యమైన దానికంటే చాలా శక్తివంతమైనది మరియు ప్రిడిక్టివ్ కంట్రోల్‌లో సమర్థవంతమైనది.
GPU చిప్‌లు నెమ్మదిగా ఎంబెడెడ్ సిస్టమ్‌లలోకి ప్రవేశిస్తున్నాయి, ఇటీవల ప్రవేశపెట్టిన Nvidia Jetson ప్లాట్‌ఫారమ్ ద్వారా ప్రదర్శించబడింది. ఈ పరిశోధకుల బృందం త్వరలో ఒక ఫ్రేమ్‌వర్క్‌ను అభివృద్ధి చేసింది, ఇది పర్యావరణంతో రోబోల యొక్క డైనమిక్స్ మరియు పరస్పర చర్యలను మెరుగ్గా మోడల్ చేయడానికి, ప్రమాదాల ప్రమాదాన్ని తగ్గించడం మరియు నావిగేషన్ సామర్థ్యాలను మెరుగుపరచడం, సమగ్రపరచడం వంటి అధునాతన డేటా-ఆధారిత AI పద్ధతుల యొక్క అధిక ప్రిడిక్టివ్ శక్తిని డిజైనర్‌లకు అందించడానికి వీలు కల్పిస్తుంది. GPU చిప్స్.
తదుపరి అధ్యయనం కోసం అనేక అన్వేషించబడని అవకాశాలు ఉన్నాయని సాల్జ్మాన్ మరియు రిల్ గుర్తించారు. శిక్షణ డేటా (నాన్-డిస్ట్రిబ్యూటెడ్ OOD)లో చేర్చని పరిస్థితుల కోసం లోతైన అభ్యాస పద్ధతుల అవుట్‌పుట్ అనూహ్యంగా ఉంటుంది. OOD పరిస్థితులలో పటిష్టత ఆ పరిస్థితులను గుర్తించడం మరియు సిస్టమ్‌ను స్థిరీకరించడానికి నియంత్రణ కోసం ఫాల్‌బ్యాక్ అందించడం ద్వారా వస్తుంది.
మూలం: techxplore.com/news
Günceleme: 13/03/2023 14:09