Los drones navegan por entornos invisibles con redes neuronales líquidas.
Drones navigate through invisible environments with liquid neural networks.
Investigadores del MIT exhiben un nuevo avance en la navegación autónoma de drones, utilizando redes neuronales líquidas inspiradas en el cerebro que sobresalen en escenarios fuera de la distribución.
En los vastos y expansivos cielos donde las aves una vez gobernaron supremas, una nueva generación de aviadores está tomando vuelo. Estos pioneros del aire no son criaturas vivas, sino más bien un producto de la innovación deliberada: drones. Pero estos no son tus típicos robots voladores, zumbando como abejas mecánicas. Más bien, son maravillas inspiradas en aves que surcan los cielos, guiados por redes neuronales líquidas para navegar por entornos cambiantes e invisibles con precisión y facilidad.
Inspirados por la naturaleza adaptable de los cerebros orgánicos, los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT han presentado un método para que los agentes de navegación de vuelo robusto dominen tareas de vuelo hacia objetivos basados en la visión en entornos intrincados y desconocidos. Las redes neuronales líquidas, que pueden adaptarse continuamente a nuevas entradas de datos, demostraron destreza para tomar decisiones confiables en dominios desconocidos como bosques, paisajes urbanos y entornos con ruido, rotación y oclusión añadidos. Estos modelos adaptables, que superaron a muchos de sus competidores de última generación en tareas de navegación, podrían permitir posibles aplicaciones reales de drones como búsqueda y rescate, entrega y monitoreo de vida silvestre.
El estudio reciente de los investigadores, publicado hoy en Science Robotics, detalla cómo esta nueva generación de agentes puede adaptarse a cambios significativos en la distribución, un desafío de larga data en el campo. La nueva clase de algoritmos de aprendizaje automático del equipo, sin embargo, captura la estructura causal de las tareas a partir de datos no estructurados de alta dimensión, como las entradas de píxeles de una cámara montada en un dron. Estas redes pueden luego extraer aspectos cruciales de una tarea (es decir, entender la tarea en cuestión) e ignorar características irrelevantes, permitiendo que las habilidades de navegación adquiridas se transfieran sin problemas a nuevos entornos.
- Investigadores desarrollan un nuevo estimador basado en IA para la ...
- Éxito en la intersección de tecnología y finanzas.
- Una mejor manera de estudiar las corrientes oceánicas.
“Estamos entusiasmados con el inmenso potencial de nuestro enfoque de control basado en el aprendizaje para robots, ya que sienta las bases para resolver problemas que surgen cuando se entrena en un entorno y se implementa en un entorno completamente diferente sin entrenamiento adicional”, dice Daniela Rus, directora de CSAIL y profesora Andrew (1956) y Erna Viterbi de Ingeniería Eléctrica y Ciencias de la Computación del MIT. “Nuestros experimentos demuestran que podemos enseñar efectivamente a un dron a localizar un objeto en un bosque durante el verano, y luego implementar el modelo en invierno, con entornos muy diferentes, o incluso en entornos urbanos, con tareas variadas como buscar y seguir. Esta adaptabilidad es posible gracias a los fundamentos causales de nuestras soluciones. Estos algoritmos flexibles podrían algún día ayudar en la toma de decisiones basadas en flujos de datos que cambian con el tiempo, como el diagnóstico médico y las aplicaciones de conducción autónoma.”
Un desafío abrumador estaba en primer plano: ¿los sistemas de aprendizaje automático entienden la tarea que se les da a partir de los datos cuando vuelan drones hacia un objeto no etiquetado? ¿Y podrían transferir su habilidad y tarea aprendida a nuevos entornos con cambios drásticos en el paisaje, como volar desde un bosque a un paisaje urbano? Además, a diferencia de las habilidades notables de nuestros cerebros biológicos, los sistemas de aprendizaje profundo tienen dificultades para capturar la causalidad, a menudo ajustándose en exceso a los datos de entrenamiento y sin poder adaptarse a nuevos entornos o condiciones cambiantes. Esto es especialmente preocupante para sistemas integrados con recursos limitados, como drones aéreos, que necesitan atravesar entornos variados y responder a obstáculos instantáneamente.
Las redes líquidas, en contraste, ofrecen indicaciones preliminares prometedoras de su capacidad para abordar esta debilidad crucial en los sistemas de aprendizaje profundo. El sistema del equipo fue entrenado primero en datos recopilados por un piloto humano, para ver cómo transfirieron las habilidades de navegación aprendidas a nuevos entornos con cambios drásticos en el paisaje y las condiciones. A diferencia de las redes neuronales tradicionales que solo aprenden durante la fase de entrenamiento, los parámetros de la red neuronal líquida pueden cambiar con el tiempo, lo que los hace no solo interpretables, sino también más resistentes a los datos inesperados o ruidosos.
En una serie de experimentos de control de bucle cerrado de cuadricópteros, los drones se sometieron a pruebas de rango, pruebas de estrés, rotación y oclusión del objetivo, senderismo con adversarios, bucles triangulares entre objetos y seguimiento dinámico de objetivos. Rastrearon objetivos en movimiento y ejecutaron bucles de varios pasos entre objetos en entornos nunca antes vistos, superando el rendimiento de otros competidores de vanguardia.
El equipo cree que la capacidad de aprender a partir de datos de expertos limitados y comprender una tarea determinada mientras se generaliza a nuevos entornos podría hacer que la implementación de drones autónomos sea más eficiente, rentable y confiable. Las redes neuronales líquidas, señalaron, podrían permitir que los drones de movilidad aérea autónoma se utilicen para el monitoreo ambiental, la entrega de paquetes, los vehículos autónomos y los asistentes robóticos.
“La configuración experimental presentada en nuestro trabajo prueba las capacidades de razonamiento de varios sistemas de aprendizaje profundo en escenarios controlados y sencillos”, dice Ramin Hasani, afiliado de investigación de CSAIL del MIT. “Todavía queda mucho espacio para futuras investigaciones y desarrollo en desafíos de razonamiento más complejos para sistemas de IA en aplicaciones de navegación autónoma, que deben ser probados antes de que podamos implementarlos de manera segura en nuestra sociedad”.
“El aprendizaje sólido y el rendimiento en tareas y escenarios fuera de distribución son algunos de los problemas clave que el aprendizaje automático y los sistemas robóticos autónomos tienen que conquistar para hacer más avances en aplicaciones críticas para la sociedad”, dice Alessio Lomuscio, profesor de seguridad de la IA en el Departamento de Computación del Imperial College London. “En este contexto, el rendimiento de las redes neuronales líquidas, un nuevo paradigma inspirado en el cerebro desarrollado por los autores del MIT, informado en este estudio es notable. Si se confirman estos resultados en otros experimentos, el paradigma aquí desarrollado contribuirá a hacer que los sistemas de IA y robóticos sean más confiables, robustos y eficientes”.
Claramente, el cielo ya no es el límite, sino más bien un vasto patio de recreo para las infinitas posibilidades de estas maravillas aéreas.
Hasani y el estudiante de doctorado Makram Chahine; Patrick Kao ’22, MEng ’22; y el estudiante de doctorado Aaron Ray SM ’21 escribieron el artículo con Ryan Shubert ’20, MEng ’22; los investigadores postdoctorales de MIT Mathias Lechner y Alexander Amini; y Rus.
Esta investigación fue apoyada, en parte, por Schmidt Futures, el Laboratorio de Investigación de la Fuerza Aérea de los Estados Unidos, el Acelerador de Inteligencia Artificial de la Fuerza Aérea de los Estados Unidos y la compañía Boeing.
- algorithms
- artificial intelligence
- Autonomous vehicles
- Computer Science and Artificial Intelligence Laboratory (CSAIL)
- Computer science and technology
- Data
- Distributed Robotics Laboratory
- Drones
- Electrical Engineering & Computer Science (eecs)
- Machine Learning
- MIT Schwarzman College of Computing
- Networks
- Neuroscience
- Research
- Robotics
- School of Engineering
