سیستم های رباتیک پایدار با کنترل هوش مصنوعی شبکه‌های عصبی تأثیر لرزه‌ای بر نحوه طراحی کنترل‌کننده‌های مهندسین برای ربات‌ها، کاتالیز کردن ماشین‌های سازگارتر و کارآمدتر گذاشته‌اند. با این حال، این سیستم‌های یادگیری ماشینی مغز مانند یک شمشیر دولبه هستند: پیچیدگی آنها را قدرتمند می‌کند، اما همچنین تضمین این که رباتی که توسط یک شبکه عصبی کار می‌کند، به طور ایمن وظیفه خود را انجام می‌دهد، دشوار است.

روش سنتی برای تأیید ایمنی و پایداری از طریق تکنیک هایی به نام توابع لیاپانوف است. اگر بتوانید تابع لیاپانوف را پیدا کنید که مقدار آن به طور مداوم کاهش می یابد، می توانید بدانید که موقعیت های ناامن یا ناپایدار مرتبط با مقادیر بالاتر هرگز اتفاق نمی افتد. با این حال، برای ربات‌هایی که توسط شبکه‌ های عصبی کنترل می‌شوند، رویکردهای قبلی برای تأیید شرایط لیاپانوف به خوبی برای ماشین‌های پیچیده قابل مقایسه نبود.

محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) اکنون تکنیک‌های جدیدی از سیستم های رباتیک پایدار با کنترل هوش مصنوعی را توسعه داده‌اند که محاسبات لیاپانوف را در سیستم‌های دقیق‌تر تأیید می‌کند. الگوریتم آنها به طور موثر یک تابع لیاپانوف را جستجو و تأیید می کند و تضمین پایداری سیستم را ارائه می دهد. این رویکرد به طور بالقوه می‌تواند استقرار ایمن‌تر ربات‌ها و وسایل نقلیه خودران، از جمله هواپیما و فضاپیما را امکان‌پذیر کند.

برای پیشی گرفتن از الگوریتم های قبلی، محققان میانبر مقرون به صرفه ای برای فرآیند آموزش و تأیید پیدا کردند. آن‌ها نمونه‌های متقابل ارزان‌تری از سیستم های رباتیک پایدار با کنترل هوش مصنوعی تولید کردند برای مثال، داده‌هایی از حسگرهایی که می‌توانستند کنترل‌کننده را پرتاب کنند و سپس سیستم رباتیک را برای محاسبه آنها بهینه‌سازی کردند.

درک این موارد به ماشین ها کمک کرد تا یاد بگیرند که چگونه با شرایط چالش برانگیز کنار بیایند، که آنها را قادر می ساخت تا با خیال راحت در طیف وسیع تری از شرایط نسبت به گذشته کار کنند.

آدرس IP بیشتر بخوانید: افشای داده‌های کاربران از طریق آدرس آی پی IP

سپس آنها یک فرمول تأیید جدید را توسعه دادند که استفاده از تأییدکننده شبکه عصبی مقیاس‌پذیر، α، β-CROWN را برای ارائه ضمانت‌های سخت‌گیرانه بدترین سناریو فراتر از نمونه‌های متقابل، امکان‌پذیر می‌سازد.

لوجی یانگ، مهندسی برق و علوم کامپیوتر MIT (EECS) می‌گوید:ما عملکردهای تجربی چشمگیری را در ماشین‌های کنترل‌شده با هوش مصنوعی مانند انسان‌نماها و سگ‌های رباتیک دیده‌ایم، اما این کنترل‌کننده‌های هوش مصنوعی فاقد ضمانت‌های رسمی هستند که برای سیستم‌های حیاتی ایمنی ضروری است.

یانگ خاطرنشان می‌کند: «کار ما شکاف بین آن سطح از عملکرد کنترل‌کننده‌ های شبکه عصبی و تضمین‌های ایمنی مورد نیاز برای استقرار کنترل‌کننده‌های شبکه عصبی پیچیده‌تر را در دنیای واقعی پر می‌کند.»

در دو آزمایش دیگر، رویکرد آنها عملکرد سیستم های رباتیک پایدار با کنترل هوش مصنوعی شبیه‌سازی‌شده را در محدوده وسیع‌تری از شرایط ممکن کرد: یک آونگ معکوس و یک وسیله نقلیه ردیابی مسیر. این آزمایش‌ها، اگرچه ساده هستند، اما نسبتاً پیچیده‌تر از آن چیزی هستند که جامعه تأیید شبکه عصبی قبلاً می‌توانست انجام دهد، به ویژه به این دلیل که شامل مدل‌های حسگر می‌شد.

تالیف:
فروشگاه اینترنتی آ.اس.پ (اقتباس از مقاله‌ای از Techxplore)
در صورت استفاده از این مقاله، نام و آدرس فروشگاه اینترنتی آ.اس.پ را به عنوان منبع ذکر کنید.