Pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) e da Universidade de Stanford desenvolveram uma técnica de aprendizado de máquina que pode aprender a controlar um robô com eficiência, levando a um melhor desempenho com menos dados.
De acordo com a publicação do MIT, a técnica foi desenvolvida para ser usada em ambientes dinâmicos, onde as condições podem mudar rapidamente.
Um veículo autônomo poderá compensar as condições escorregadias da estrada para evitar uma derrapagem, permitir que um piloto livre robótico reboque diferentes objetos no espaço ou permitir que um drone siga de perto um esquiador em declive, apesar de ser atingido por ventos fortes.
A abordagem dos pesquisadores incorpora certa estrutura da teoria de controle no processo de aprendizagem de um modelo de tal forma que leva a um método eficaz de controle de dinâmicas complexas, como aquelas causadas por impactos de vento na trajetória de um veículo voador.
Estrutura de identificação
Por meio dessa estrutura, os pesquisadores conseguem extrair um controlador diretamente do modelo dinâmico, em vez de usar dados para aprender um modelo totalmente separado para o controlador.
“Descobrimos que, além de aprender a dinâmica, também é essencial aprender a estrutura orientada ao controle que dá suporte ao projeto eficaz do controlador. Nossa abordagem de aprender fatorações de coeficiente dependentes do estado da dinâmica superou as linhas de base em termos de eficiência de dados e capacidade de rastreamento, provando ser bem-sucedida no controle eficiente e eficaz da trajetória do sistema”, diz Navid Azizan, professor assistente do MIT.
Os pesquisadores também descobriram que seu método era eficiente em termos de dados, o que significa que alcançou alto desempenho mesmo com poucos dados.
Continua depois da publicidade |
Além disso, sua abordagem é geral e pode ser aplicada a muitos tipos de sistemas dinâmicos, desde braços robóticos até espaçonaves de voo livre operando em ambientes de baixa gravidade.
No futuro, os pesquisadores estão interessados em desenvolver modelos que sejam fisicamente mais interpretáveis e que sejam capazes de identificar informações muito específicas sobre um sistema dinâmico.
*Imagem de capa: Depositphotos
Gostou? Então compartilhe:
