Aşağıdaki içerik ilk olarak Caltech haberlerinde, Makine Öğrenimi Robot Sürülerinin Koordinasyonuna Yardımcı Oluyor başlığıyla yayımlandı.
Projeyi daha iyi anlamak için doktora sonrası araştırmacı Wolfgang Hönig ile iletişime geçtik. Projenin Crazyflie kullandığını öğrenmek sevindirici. Videolar ve projeler Crazyflie 2.X kullanıyordu, önceki versiyon olan Crazyflie 2.0 ve en son versiyon olan Crazyflie 2.1 ile karışık bir şekilde. Wolfgang, Crazyflie 2.1’in Neural-Swarm projesi için özellikle IMU sensörünün daha düşük gürültüsü nedeniyle avantajlı olduğunu söyledi. Neural-Swarm projesindeki “büyük” dronlar kontrol kartı olarak Crazyflie 2.1 kullanıyor, ancak farklı motorlar + çerçeveler ile.
Caltech’teki mühendisler, birden fazla robotun karmaşık, haritalanmamış alanlarda hareketini kontrol etmek için veri odaklı yeni bir yöntem tasarladı, böylece birbirlerine çarpmıyorlar.
Çoklu robot hareket koordinasyonu, kentsel arama ve kurtarma, otonom araç filosu kontrolü ve karmaşık ortamlarda formasyon uçuşu gibi geniş kapsamlı uygulamalara sahip temel bir robotik sorunudur. Çoklu robot koordinasyonunu zorlaştıran iki ana zorluk vardır: birincisi, yeni ortamlarda hareket eden robotlar, gelecekteki yolları hakkında eksik verilere sahip olmalarına rağmen, yolları hakkında anlık kararlar almak zorundadır; ikincisi, bir ortamda daha fazla robotun varlığı, etkileşimlerini giderek daha karmaşık hale getirir (ve çarpışma olasılığını artırır).
Bu zorlukların üstesinden gelmek için, Soon-Jo Chung, Havacılık Profesörü ve Yisong Yue, bilgisayar ve matematik bilimleri profesörü, Caltech lisansüstü öğrencisi Benjamin Rivière (MS ’18), doktora sonrası araştırmacı Wolfgang Hönig ve lisansüstü öğrenci Guanya Shi ile birlikte, yalnızca yerel bilgi ile tam bilgi planlayıcısını taklit eden ve yakın uçuşta karmaşık aerodinamik etkileşimleri öğrenmek için artırılmış bir sürü izleme kontrolörü olan “Global-to-Local Safe Autonomy Synthesis” veya GLAS adında çoklu robot hareket planlama algoritması geliştirdi.
“Çalışmamız, GLAS ile sürü hareket planlaması için geleneksel kara kutu yapay zeka (AI) yaklaşımlarının güvenlik, dayanıklılık ve ölçeklenebilirlik sorunlarını aşmak için bazı umut verici sonuçlar gösteriyor ve Neural-Swarm kullanarak çoklu dronlar için yakın kontrol sağlıyor,” diyor Chung.
GLAS ve Neural-Swarm kullanıldığında, bir robot, hareket ettiği ortamın veya diğer robotların almak istediği yolun tam ve kapsamlı bir resmine ihtiyaç duymaz. Bunun yerine, robotlar bir alan içinde hareket etmeyi anlık olarak öğrenir ve hareket için yeni bilgileri “öğrenilmiş model”e dahil eder. Sürüdeki her robot yalnızca yerel çevresi hakkında bilgiye ihtiyaç duyduğundan, merkezi olmayan hesaplama yapılabilir; özünde, her robot “kendi başına düşünür”, bu da sürünün boyutunu artırmayı kolaylaştırır.
“Bu projeler, modern makine öğrenme yöntemlerinin çoklu ajan planlama ve kontrolüne entegrasyon potansiyelini gösteriyor ve ayrıca makine öğrenimi araştırmaları için heyecan verici yeni yönler ortaya koyuyor,” diyor Yue.
Yeni sistemlerini test etmek için, Chung ve Yue’nin ekipleri GLAS ve Neural-Swarm’ı 16 drona kadar olan quadcopter sürülerinde uyguladı ve bunları Caltech’in Otonom Sistemler ve Teknolojiler Merkezi (CAST) açık hava dron arenasında uçurdu. Ekipler, GLAS’ın mevcut en iyi çoklu robot hareket planlama algoritmasını geniş bir yelpazede %20 oranında geride bıraktığını buldu. Bu arada, Neural-Swarm, aerodinamik etkileşimleri dikkate alamayan bir ticari kontrolörden önemli ölçüde daha iyi performans gösterdi; dronların kendilerini yönlendirme ve üç boyutlu uzaydaki istenen pozisyonları takip etme yeteneği açısından önemli bir ölçüt olan takip hataları, yeni kontrolör kullanıldığında dört kat daha küçük oldu.
Araştırmaları, yakın zamanda yayımlanan iki çalışmada yer aldı. “GLAS: Global-to-Local Safe Autonomy Synthesis for Multi-Robot Motion Planning with End-to-End Learning” çalışması, 11 Mayıs’ta Chung, Yue, Rivière ve Hönig tarafından IEEE Robotics and Automation Letters dergisinde yayımlandı. “Neural-Swarm: Decentralized Close-Proximity Multirotor Control Using Learned Interactions” çalışması ise 1 Haziran’da Chung, Yue, Shi ve Hönig tarafından Proceedings of IEEE International Conference on Robotics and Automation dergisinde yayımlandı. Bu araştırma, Raytheon Company; CAST; ve Caltech’in NASA için yönettiği JPL tarafından desteklenmiştir.
Kaynaklar
Makine Öğrenimi Robot Sürülerinin Koordinasyonuna Yardımcı Oluyor – Caltech Haberleri 13 Temmuz 2020