Nos vastos e expansivos céus onde os pássaros já governaram supremos, uma nova safra de aviadores está decolando. Esses pioneiros do ar não são criaturas vivas, mas sim um produto de inovação deliberada: drones.
Mas esses não são seus robôs voadores típicos, zumbindo como abelhas mecânicas. Em vez disso, são maravilhas inspiradas em aves que voam pelo céu, guiadas por redes neurais líquidas para navegar em ambientes invisíveis e em constante mudança com precisão e facilidade.
Inspirados pela natureza adaptável dos cérebros orgânicos, os pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial do MIT introduziram um método para agentes de navegação de voo robustos dominarem tarefas de voar para o alvo baseadas em visão em ambientes intrincados e desconhecidos.
As redes neurais líquidas, que podem se adaptar continuamente a novas entradas de dados, demonstraram capacidade de tomar decisões confiáveis em domínios desconhecidos, como florestas, paisagens urbanas e ambientes com ruído, rotação e oclusão adicionados.
Esses modelos adaptáveis, que superaram muitas contrapartes de última geração em tarefas de navegação, podem permitir possíveis aplicações de drones no mundo real, como busca e salvamento, entrega e monitoramento da vida selvagem.
O estudo recente, publicado na Science Robotics, detalha como essa nova geração de agentes pode se adaptar a mudanças significativas de distribuição, um desafio de longa data no campo.
A nova classe de algoritmos de aprendizado de máquina da equipe, no entanto, captura a estrutura causal de tarefas de dados não estruturados de alta dimensão, como entradas de pixel de uma câmera montada em um drone.
Essas redes podem então extrair aspectos cruciais de uma tarefa (ou seja, entender a tarefa em mãos) e ignorar recursos irrelevantes, permitindo que as habilidades de navegação adquiridas transfiram alvos sem problemas para novos ambientes.
Daniela Rus, diretora do CSAIL e professora do MIT, diz: “Estamos entusiasmados com o imenso potencial de nossa abordagem de controle baseada em aprendizado para robôs, pois estabelece as bases para resolver problemas que surgem ao treinar em um ambiente e implantar em um ambiente completamente diferente ambiente sem treinamento adicional.
“Nossos experimentos demonstram que podemos efetivamente ensinar um drone a localizar um objeto em uma floresta durante o verão e, em seguida, implantar o modelo no inverno, com ambientes muito diferentes ou mesmo em ambientes urbanos com tarefas variadas, como procurar e seguir.
“Essa adaptabilidade é possível graças aos fundamentos causais de nossas soluções. Esses algoritmos flexíveis podem um dia ajudar na tomada de decisões com base em fluxos de dados que mudam com o tempo, como diagnósticos médicos e aplicativos de direção autônoma.
Zangão ligado
Um desafio assustador estava na vanguarda: os sistemas de aprendizado de máquina entendem a tarefa que recebem dos dados ao voar drones para um objeto não rotulado? E eles seriam capazes de transferir suas habilidades e tarefas aprendidas para novos ambientes com mudanças drásticas no cenário, como voar de uma floresta para uma paisagem urbana?
Além do mais, ao contrário das habilidades notáveis de nossos cérebros biológicos, os sistemas de aprendizado profundo lutam para capturar a causalidade, frequentemente superajustando seus dados de treinamento e falhando em se adaptar a novos ambientes ou condições em mudança.
Isso é especialmente preocupante para sistemas embarcados com recursos limitados, como drones aéreos, que precisam atravessar ambientes variados e responder a obstáculos instantaneamente.
As redes líquidas, em contraste, oferecem indicações preliminares promissoras de sua capacidade de lidar com essa fraqueza crucial em sistemas de aprendizado profundo. O sistema da equipe foi treinado primeiro com dados coletados por um piloto humano, para ver como eles transferiam as habilidades de navegação aprendidas para novos ambientes sob mudanças drásticas no cenário e nas condições.
Ao contrário das redes neurais tradicionais que só aprendem durante a fase de treinamento, os parâmetros da rede neural líquida podem mudar com o tempo, tornando-os não apenas interpretáveis, mas mais resistentes a dados inesperados ou ruidosos.
Em uma série de experimentos de controle de circuito fechado do quadrotor, os drones foram submetidos a testes de alcance, testes de estresse, rotação e oclusão de alvos, caminhadas com adversários, loops triangulares entre objetos e rastreamento dinâmico de alvos. Eles rastrearam alvos em movimento e executaram loops de várias etapas entre objetos em ambientes nunca antes vistos, superando o desempenho de outras contrapartes de ponta.
A equipe acredita que a capacidade de aprender com dados limitados de especialistas e entender uma determinada tarefa enquanto generaliza para novos ambientes pode tornar a implantação de drones autônomos mais eficiente, econômica e confiável.
As redes neurais líquidas, observaram, poderiam permitir que drones autônomos de mobilidade aérea fossem usados para monitoramento ambiental, entrega de pacotes, veículos autônomos e assistentes robóticos.
Ramin Hasani, cientista pesquisador do MIT CSAIL, diz: “A configuração experimental apresentada em nosso trabalho testa as capacidades de raciocínio de vários sistemas de aprendizado profundo em cenários controlados e diretos.
“Ainda há muito espaço para pesquisa e desenvolvimento futuros em desafios de raciocínio mais complexos para sistemas de IA em aplicativos de navegação autônomos, que devem ser testados antes que possamos implantá-los com segurança em nossa sociedade.”
Alessio Lomuscio, PhD, professor de segurança de IA (no Departamento de Computação) do Imperial College London, diz: “Aprendizado e desempenho robustos em tarefas e cenários fora da distribuição são alguns dos principais problemas que o aprendizado de máquina e os sistemas robóticos autônomos tem que conquistar para fazer mais incursões nas aplicações críticas da sociedade.
“Nesse contexto, o desempenho das redes neurais líquidas, um novo paradigma inspirado no cérebro desenvolvido pelos autores do MIT, relatado neste estudo, é notável. Se esses resultados forem confirmados em outros experimentos, o paradigma aqui desenvolvido contribuirá para tornar a IA e os sistemas robóticos mais confiáveis, robustos e eficientes.”
Claramente, o céu não é mais o limite, mas sim um vasto playground para as possibilidades ilimitadas dessas maravilhas aéreas.
Os pesquisadores do MIT Makram Chahine, Ramin Hasani, Patrick Kao e Aaron Ray escreveram o artigo com o ex-pesquisador do CSAIL Ryan Shubert MEng ’22, Mathias Lechner, um pós-doutorado no MIT CSAIL, Alexander Amini, um pós-doutorado do CSAIL e a diretora do MIT CSAIL Daniela Rus.
Esta pesquisa foi apoiada em parte pela Schmidt Futures, pelo Laboratório de Pesquisa da Força Aérea dos Estados Unidos, pelo Acelerador de Inteligência Artificial da Força Aérea dos Estados Unidos e pela Boeing Company.
Você pode gostar também…
