Hvordan miljøegenskaber kan øge robotbevidstheden

I de seneste år har robotikere skabt en række systemer, der med tiden kunne fungere i virkelige miljøer. Da de fleste omgivelser i den virkelige verden, især offentlige rum, er dynamiske og uforudsigelige, bør robotter kunne opnå en god forståelse af deres omgivelser for effektivt at navigere i disse miljøer.

Forskere ved University of Pennsylvanias GRASP Laboratory har for nylig udført en undersøgelse, der undersøger, hvordan funktioner relateret til et givet miljø kan forbedre en robots bevidsthed og dens evne til at navigere i deres omgivelser. Deres papir, der var forududgivet på arXiv, var baseret på to af deres tidligere forskningsindsats.

Den første af disse tidligere undersøgelser introducerede en række strategier, der brugte miljøinformation til at forbedre en robots autonomi i at konkurrere med en specifik opgave, nemlig lokalisering af kilden til et kemikalieudslip i turbulente strømme. Som en del af den anden undersøgelse introducerede holdet på den anden side nye kontrolpolitikker på agentniveau, der udnyttede miljøegenskaber eller støj til at opretholde en ønsket rumlig fordeling af detsende robotagent i et geofysisk flowmiljø.

"Vores tidligere værker fokuserede på lagrangiske sammenhængende strukturer, et vigtigt træk ved dynamiske systemer i mange applikationer såsom oceanografi og vejrudsigelse, og hvordan de kan bruges i robotteknologi," fortalte Tahiya Salam, en af ​​forskerne, der udførte undersøgelsen, TechXplore. "Vores nye arbejde fokuserer på, hvordan en lignende funktion, sammenhængende sæt, kan læres online og nye tilgange til, hvordan disse funktioner kan bruges i robotapplikationer, såsom crowd monitoring i bymiljøer og energieffektiv navigation i vand."

I deres nye undersøgelse brugte Salam og de andre forskere ved GRASP Laboratory en række teknikker, der kombinerer globale dynamiktilgange med maskinlæring. I denne sammenhæng refererer udtrykket "global dynamik" til den overordnede dynamik i et givet miljø og de træk, der karakteriserer denne dynamik.

"Den teknik, vi brugte, gjorde det muligt for os at lære globale funktioner fra data, der blev indsamlet fra de miljøer, robotter opererer i," forklarede Salam. "De globale funktioner, kaldet kohærente sæt, har interessante egenskaber; de repræsenterer nemlig regioner, der spredes meget langsomt. Ved at bruge disse oplysninger om regioner, der spredes meget langsomt, kan robotter udnytte disse funktioner til beslutningstagning."

Salam og hendes kolleger beregnede disse såkaldte 'kohærente sæt' online ved hjælp af maskinlæringsteknikker. Efterfølgende designede de en ramme, der kunne styre en robots adfærd baseret på de miljømæssige egenskaber, de beregnede.

"Vi fandt en måde at beregne sammenhængende sæt i realtid uden at have detaljerede oplysninger om en model, der beskriver miljøet," forklarede Salam. "Derudover var vi i stand til at bruge disse sammenhængende sæt på smarte måder til at opnå smart robotadfærd."

Salam og hendes kolleger evaluerede den ramme, de udviklede i en række eksperimenter og fandt ud af, at den klarede sig betydeligt bedre end offline metoder til beregning af miljøegenskaber. Holdet demonstrerede specifikt effektiviteten af ​​den model, de udviklede, i to scenarier, hvor robotter overvågede bymiljøer og navigerede på vandet.

I fremtiden vil rammen introduceret af dette team af forskere i sidste ende kunne hjælpe med at forbedre både eksisterende og nye robotters evne til at navigere i ukendte og dynamiske miljøer. I mellemtiden planlægger Salam yderligere at udforske potentialet ved at bruge miljøfunktioner til at forbedre robotnavigation.

"I mine næste studier vil jeg fortsætte med at undersøge teknikker, der forbinder global dynamik og maskinlæring i mere generelle rammer," tilføjede Salam. "For eksempel vil jeg gerne repræsentere den globale dynamik i vilkårlige miljøer fra sensormålinger indsamlet af robotter."