无人机导航看不见的环境与液体神经网络

广阔,广阔的天空,鸟曾统治最高,新一批飞行员飞行。这些先驱者的空气不是生物,而是刻意创新的产物:无人机。但这些都不是典型的飞行机器人,像机械蜜蜂嗡嗡作响。相反,他们avian-inspired奇迹在天上翱翔,液体的引导下,神经网络导航精度和轻松地不断变化和看不见的环境。

灵感来自于适应自然的有机大脑,麻省理工学院的计算机科学与人工智能实验室的研究人员(CSAIL)引入了一个方法鲁棒飞行导航人员掌握应用fly-to-target任务复杂,陌生的环境。液体神经网络,不断适应新的数据输入,显示实力做出可靠的决策在未知的领域如森林、城市景观和环境与添加噪声、旋转和闭塞。这些适应性模型,表现优于许多先进的同行在导航任务,可以使潜在的现实世界的无人机应用搜救、交付和野生动物监测。

研究人员的最新研究,发表在科学的机器人,详细说明这个新一代的代理可以适应重要的分布变化,一个长期的挑战。团队的新的机器学习算法,然而,抓住了因果结构的任务从高维非结构化数据,如从drone-mounted相机像素的输入。这些网络可以提取任务至关重要的部分(即。,理解手头的任务),忽略无关的特性,允许获得导航技能目标无缝地转移到新的环境。

“我们很高兴,我们的上优于控制方法的巨大潜力的机器人,因为它为解决问题奠定了基础,训练时出现在一个环境和部署在一个完全不同的环境中没有额外的训练,”丹妮拉说俄文,CSAIL的导演安德鲁(1956)和厄纳维特比麻省理工学院电气工程和计算机科学教授。“我们的实验表明,我们可以有效地教一个无人驾驶飞机来定位一个对象在一个森林在夏天,在冬天,然后部署模型与截然不同的环境,甚至在城市环境中,不同的任务,比如寻求和追随者。这种适应性是由因果关系基础的解决方案。这些灵活的算法有一天帮助决策基于随时间变化的数据流,如医疗诊断和自动驾驶的应用。”

前沿的艰巨的挑战是:机器学习系统了解他们给出的任务从数据在无人机飞行时,一个无标号对象?,他们能学到技能和任务转移到新环境急剧变化的风景,如飞行从森林到城市景观?更重要的是,不同于我们的生物大脑的非凡能力,深入学习系统与捕获斗争因果关系,经常过度学习他们的训练数据,未能适应新的环境或改变条件。这对于资源有限的嵌入式系统是特别麻烦,像无人驾驶飞机,需要遍历不同的环境和应对障碍瞬间。

液体网络,相比之下,带来了很大的初步迹象的能力解决这个关键的弱点在深入学习系统。团队的系统是第一个训练数据收集的人类飞行员,看到他们如何学习导航技能转移到新环境下激烈的风景和环境变化的影响。与传统的神经网络,只有学习在培训阶段,液体神经网络的参数可以改变随着时间的推移,使它们不仅可判断的,但更有弹性意想不到的或嘈杂的数据。

在一系列quadrotor闭环控制实验中,无人机进行了范围测试,压力测试,目标旋转和闭塞,徒步旅行和对手,三角循环对象之间,和动态目标跟踪。他们追踪移动目标,执行多步循环中对象之间从未环境,超越同行的其他先进的性能。

团队认为,学习能力从有限的数据和专家理解给定任务而概括新环境可以自主无人机部署更高效,成本效益和可靠的。液体神经网络,他们指出,能够自主空中机动无人机用于环境监测,包送货,自驾车辆和机器人助手。

“我们工作中给出的实验装置测试各种深度学习系统的推理能力在控制和简单的场景中,“说麻省理工学院附属Ramin Hasani CSAIL的研究。“仍有这么多房间留给未来的研究和发展上更复杂的推理挑战AI系统在自主导航的应用程序中,而我们可以安全地部署之前必须测试他们在我们的社会。”

“强劲的学习和表现out-of-distribution任务和场景的一些关键问题,机器学习和自主机器人系统必须征服进一步打入society-critical应用,”塞Lomuscio说,人工智能安全教授在伦敦帝国理工学院的计算机系,。”在这种情况下,液体神经网络的性能,一种新型brain-inspired范式由作者在麻省理工学院,在这个研究值得关注。如果这些结果证实在其他实验中,这里的范例开发将有助于使人工智能和机器人系统更加可靠、稳健、高效。”

显然,天空不再是限制,而是一个巨大的游乐场这些空中奇迹的无限的可能性。

参考:夏英M, Hasani R,花王P, et al .鲁棒飞行导航与液体分布神经网络。Sci的机器人。2023;8 (77):eadc8892。doi:10.1126 / scirobotics.adc8892

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。