Ensinar robôs a melhorar os controles de sistemas de voo e outras aplicações que exigem respostas rápidas

Aviões comerciais podem ser controlados pelo piloto automático. Mas o que acontece se uma asa for danificada ou um motor falhar? É possível projetar um sistema de software com um loop de feedback – um sistema que testa rapidamente como os controles operam na embarcação danificada e faz ajustes em tempo real para dar a ela a melhor chance de pousar com segurança?

Uma equipe de pesquisa de Princeton, da Universidade do Texas e da Northeastern University está trabalhando para preparar o caminho para a criação desse sistema. A pesquisa básica que a equipe está fazendo pode algum dia se estender a controles de aeronaves e muitas outras aplicações, incluindo controle de epidemias de doenças ou previsões mais precisas sobre mudanças climáticas ou sobrevivência de espécies, disse Amir Ali Ahmadi, professor de pesquisa operacional e engenharia financeira em Princeton e um membro da equipe de pesquisa.

O objetivo é exercer medidas de controle sobre um “sistema dinâmico” – que muda à medida que se move. A maioria dos sistemas dinâmicos são notoriamente difíceis de prever e gerenciar. Ahmadi, junto com os colegas Charles Fefferman, professor de matemática da Universidade Herbert E. Jones, Jr. ’43, e Clarence Rowley, professor de ciência da engenharia Sin-I Cheng, estão tentando projetar algoritmos que possam aprender o comportamento de sistemas dinâmicos de dados.

“Um sistema dinâmico é qualquer entidade em algum espaço que evolui ao longo do tempo”, disse Ahmadi. “Então, um avião é um sistema dinâmico; um robô é um sistema dinâmico; a propagação de um vírus é um sistema dinâmico.”

Obter controle é particularmente difícil quando os dados são limitados, disse Ahmadi. No caso de uma aeronave danificada, “o avião mudou e você tem menos de um minuto para criar um novo modelo de controle”, disse ele.

Prever o desempenho futuro com base em dados extremamente esparsos é um problema comum. É difícil recomendar a melhor resposta a um surto de doença, por exemplo, quando se sabe muito pouco sobre a propagação da doença.

Em um artigo recente no Revisão do SIAM, a equipe de pesquisa de Ahmadi apresentou uma abordagem que usa informações adicionais para responder rapidamente às mudanças nas condições em que poucos dados estão disponíveis para a tomada de decisões. Essas informações adicionais, que os matemáticos chamam de informações secundárias, atuam da mesma forma que a experiência ou a especialização profissional para um ser humano. Por exemplo, um médico pode nunca ter visto uma determinada doença antes, mas anos de experiência o ajudarão a fazer um bom julgamento sobre como tratar o paciente.

“É disso que trata todo esse projeto”, disse Ahmadi. “Trata-se de aprender um sistema com poucos dados e, eventualmente, controlá-lo da maneira que desejamos.”

Começando simples

Objetivos de longo prazo, como controles de aeronaves, estão além do escopo do projeto imediato. Em vez disso, o trabalho sob a concessão da Força Aérea está se concentrando em exemplos muito mais simples, na esperança de aprender mais sobre o controle de um sistema repleto de incógnitas.

“Na teoria de controle padrão, você entende o que os controles fazem. Estamos tentando fazer uma versão mais poderosa dessa teoria na qual você não sabe o que os controles fazem, mas aprende aplicando-os”, disse Fefferman. Ele está trabalhando com Rowley em subproblemas relativamente simples de sistemas dinâmicos – por exemplo, tentar parar temporariamente um objeto enquanto ele se move ao longo de uma linha reta a uma velocidade constante. Além disso, os pesquisadores querem usar o mínimo de energia possível para exercer controle – assim como um piloto faria em um avião com combustível limitado.

Outro problema que eles podem resolver é uma versão avançada de um problema comumente atribuído aos alunos de graduação em engenharia mecânica: controlar um pêndulo invertido – semelhante a tentar equilibrar uma vassoura na palma da mão. O controlador aprenderia os comportamentos do sistema quase instantaneamente e sem saber onde sua massa está centralizada. Para fazer isso, eles criariam equações para controles com base em alguns segundos de observação e modificariam os controles depois de registrar o que eles fazem. O modelo seria projetado para passar rapidamente por várias iterações de aprendizado e controle.

Conhecimento versus controle

Os problemas que a equipe explora envolvem compensações entre explorar a funcionalidade e explorar o conhecimento adquirido, disse Rowley. “Se você explorar seu conhecimento muito cedo, o modelo pode não ser bom o suficiente para pousar um avião. Mas se você gastar muito tempo aprendendo seu comportamento, o avião pode cair.”

Não existe uma técnica única para controlar um sistema com dinâmica desconhecida, disse Ufuk Topcu, membro da equipe e professor associado da Universidade do Texas. Mas uma das chaves é selecionar os dados mais valiosos para trabalhar. “Você precisa lidar com isso de vários ângulos e cortar o grande problema em partes mais gerenciáveis ​​para identificar o que vale a pena aprender”, disse ele.

Os pesquisadores esperam ter algoritmos para controlar pelo menos alguns aspectos de um sistema dinâmico. Embora seu modelo possa não ser rápido o suficiente para operar em tempo real, ele deve ser capaz de mostrar quais controles são possíveis em um sistema em mudança e com que grau de certeza eles podem ser bem-sucedidos, disse Ahmadi.

O artigo “Learning Dynamical Systems with Side Information” foi publicado na edição de fevereiro da revista Revisão do SIAM.