Una nuova tecnica di apprendimento sviluppata dai ricercatori del MIT e di Stanford potrebbe aiutare i veicoli autonomi e i droni a imparare a compensare le condizioni stradali scivolose o le forti raffiche di vento. Questo approccio incorpora una certa struttura della teoria del controllo nel processo di apprendimento di un modello, in modo da ottenere un metodo efficace per controllare dinamiche complesse, come quelle causate dagli impatti del vento sulla traiettoria di un veicolo volante.
Apprendimento della struttura intrinseca
“L’obiettivo del nostro lavoro è apprendere la struttura intrinseca nella dinamica del sistema che può essere sfruttata per progettare controller più efficaci e stabilizzanti”, afferma Navid Azizan, assistente professore presso il MIT. “Imparando congiuntamente la dinamica del sistema e queste uniche strutture orientate al controllo dai dati, siamo in grado di creare naturalmente controller che funzionano molto più efficacemente nel mondo reale.”
Un metodo più efficiente
Utilizzando questa struttura in un modello appreso, la tecnica dei ricercatori estrae immediatamente un controller efficace dal modello, a differenza di altri metodi di apprendimento automatico che richiedono che un controller sia derivato o appreso separatamente con passaggi aggiuntivi. Con questa struttura, il loro approccio è anche in grado di apprendere un controller efficace utilizzando meno dati rispetto ad altri approcci. Questo potrebbe aiutare il loro sistema di controllo basato sull’apprendimento a ottenere prestazioni migliori più velocemente in ambienti in rapida evoluzione.
Bilanciamento tra identificazione della struttura e apprendimento del modello
“Questo lavoro cerca di trovare un equilibrio tra l’identificazione della struttura nel tuo sistema e l’apprendimento di un modello dai dati”, afferma l’autore principale Spencer M. Richards, studente di dottorato presso Stanford. “Il nostro approccio è ispirato al modo in cui i robotici utilizzano la fisica per derivare modelli più semplici per i robot. L’analisi fisica di questi modelli spesso produce una struttura utile per i fini del controllo, una struttura che potresti perdere se provassi semplicemente a adattare un modello ai dati. Invece, cerchiamo di identificare una struttura altrettanto utile dai dati che indica come implementare la tua logica di controllo.”