Los controladores de redes neuronales proporcionan estabilidad a los robots complejos, allanando el camino para implementaciones más seguras de vehículos autónomos y máquinas industriales. Investigadores del Instituto Tecnológico de Massachusetts han desarrollado un algoritmo eficiente para autenticar la función de Lyapunov en sistemas complejos, lo que garantiza la estabilidad y la seguridad de los robots controlados por redes neuronales en una variedad de entornos.
Las redes neuronales han tenido un gran impacto en la forma en que los ingenieros diseñan controladores de robots, lo que ha dado lugar a máquinas más adaptables y eficientes. Sin embargo, estos sistemas de aprendizaje automático similares al cerebro también son un arma de doble filo: su complejidad los hace poderosos, pero también tienen dificultades para garantizar que los robots impulsados por redes neuronales puedan realizar sus tareas de manera segura.
La forma tradicional de verificar la seguridad y la estabilidad es mediante una técnica llamada función de Lyapunov. Si se puede encontrar una función de Lyapunov con un valor que disminuye constantemente, se puede saber que la inseguridad o inestabilidad asociada con valores más altos nunca ocurrirá. Sin embargo, en el caso de los robots controlados por redes neuronales, los métodos anteriores para verificar las condiciones de Lyapunov no se adaptaban bien a las máquinas complejas.
Los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y otras instituciones han desarrollado nuevas tecnologías que permiten certificar rigurosamente la computación de Lyapunov en sistemas más complejos. El algoritmo busca y verifica de manera eficiente la función de Lyapunov, lo que proporciona una garantía de estabilidad para el sistema. Este enfoque tiene el potencial de hacer más seguro el despliegue de robots y vehículos autónomos, incluidos aviones y naves espaciales.
Para superar a los algoritmos anteriores, los investigadores encontraron un atajo que les permitiera ahorrar dinero en el proceso de entrenamiento y validación. Generan contraejemplos de menor costo (por ejemplo, datos adversos de sensores que podrían desactivar controladores) y luego optimizan el sistema robótico para lidiar con esos contraejemplos. Comprender estos casos extremos ayuda al aprendizaje automático a manejar situaciones desafiantes, lo que les permite operar de manera segura en una gama más amplia de condiciones que nunca antes. Luego desarrollaron una nueva fórmula de verificación capaz de usar un validador de red neuronal escalable, CROWN, para brindar garantías estrictas en el peor de los casos, además de contraejemplos.
"Hemos visto algunos resultados empíricos impresionantes en máquinas controladas por IA, como robots humanoides y perros robot, pero estos controladores de IA carecen de la garantía formal que es fundamental para los sistemas críticos para la seguridad". "Nuestro trabajo cierra la brecha entre el nivel de rendimiento de los controladores de redes neuronales y las garantías de seguridad necesarias para implementar controladores de redes neuronales más complejos en el mundo real", dijo Lujie Yang, estudiante de doctorado en ingeniería eléctrica y ciencias de la computación (EECS) en el Instituto Tecnológico de Massachusetts e investigador afiliado a CSAIL. "
En una demostración digital, el equipo simuló cómo un dron cuadricóptero con un sensor lidar se mantendría estable en un entorno bidimensional. Su algoritmo dirige con éxito el dron a una posición de vuelo estable, utilizando únicamente la información ambiental limitada proporcionada por el sensor lidar.
En otros dos experimentos, su método permitió que dos sistemas robóticos simulados funcionaran de manera estable en una gama más amplia de condiciones: un péndulo invertido y un vehículo que sigue una trayectoria. Estos experimentos, aunque pequeños, son mucho más complejos que las validaciones de redes neuronales anteriores, especialmente porque incluyen modelos de sensores.
"A diferencia de los problemas comunes de aprendizaje automático, el uso estricto de redes neuronales como funciones de Lyapunov requiere resolver problemas de optimización global difíciles, por lo que la escalabilidad es un cuello de botella clave", dijo Sicun Gao, profesor asociado de informática e ingeniería en la Universidad de California, San Diego.
Ofrece mejoras significativas en la escalabilidad y la calidad de la solución en comparación con los métodos existentes. Este trabajo abre caminos interesantes para el desarrollo futuro de algoritmos de optimización para el método neuronal de Lyapunov, así como para el uso riguroso del aprendizaje profundo en control y robótica.
El nuevo método de estabilidad tiene potencial para ser aplicado ampliamente. En estas aplicaciones, la seguridad es primordial. Puede ayudar a garantizar que los vehículos autónomos, como los aviones y las naves espaciales, se desplacen con mayor suavidad. De manera similar, los drones que entregan artículos o mapean diferentes terrenos también pueden beneficiarse de esta garantía de seguridad.
El nuevo enfoque no se limita a la robótica y puede ayudar a otras aplicaciones en el futuro, como el procesamiento biomédico e industrial. Si bien la tecnología es una mejora con respecto al trabajo anterior en términos de escalabilidad, los investigadores están explorando cómo puede funcionar mejor en sistemas con dimensiones más altas. También quieren considerar datos más allá de las lecturas lidar, como imágenes y nubes de puntos.
Como línea de investigación futura, el equipo espera ofrecer la misma garantía de estabilidad para sistemas en entornos inciertos y susceptibles a interferencias. Por ejemplo, si un dron se expone a una fuerte ráfaga de viento, los investigadores quieren asegurarse de que siga volando de forma estable y cumpla su misión prevista.
Además, pretenden aplicar sus métodos a problemas de optimización, con el objetivo de minimizar el tiempo y la distancia necesarios para que el robot complete la tarea manteniendo la estabilidad, y planean expandir su tecnología a robots humanoides y otras máquinas del mundo real donde el robot necesita ser estable cuando está en contacto con su entorno.
