Migliorare i sistemi robotici autonomi

sistemi robotici
Courtesy dei ricercatori

I ricercatori del MIT hanno sviluppato un ottimizzatore per uso generico che può accelerare la progettazione di robot ambulanti, veicoli a guida autonoma e altri sistemi robotici autonomi.

Un codice di ottimizzazione da applicare alle simulazioni della maggior parte dei sistemi robotici autonomi e da usare per identificare automaticamente come e dove modificare il sistema migliorando le prestazioni dei robot. A svilupparlo i ricercatori del MIT che sperano di accelerare lo sviluppo di un’ampia gamma di sistemi autonomi: dai robot ambulanti e veicoli a guida autonoma ai robot morbidi e abili e ai team di robot collaborativi.

Negli ultimi anni sistemi artificialmente intelligenti sono stati implementati in auto a guida autonoma, consegna di cibo, servizi di ristorazione, screening dei pazienti, pulizia ospedaliera, preparazione dei pasti, sicurezza degli edifici e imballaggio in magazzino.

Ognuno di questi sistemi robotici è il prodotto di un processo di progettazione specifico, in cui gli ingegneri eseguono innumerevoli simulazioni per tentativi ed errori, spesso spinti dall’intuizione.

Autodiff, un codice che addestra le rete neurali

I ricercatori americani hanno sviluppato un framework di ottimizzazione, o un codice per computer, in grado di trovare automaticamente le modifiche che possono essere apportate a un sistema autonomo esistente per ottenere il risultato desiderato.

Il codice si basa sulla differenziazione automatica, o autodiff, uno strumento di programmazione sviluppato all’interno della comunità di apprendimento automatico e usato inizialmente per addestrare le reti neurali. Autodiff è una tecnica che può “valutare la derivata” in modo rapido ed efficiente o la sensibilità alla modifica di qualsiasi parametro in un programma per computer.

“Usiamo autodiff per scavare nel codice che definisce un simulatore e capire come eseguire automaticamente questa inversione” afferma il ricercatore Charles Dawson.

Il team ha testato lo strumento in laboratorio su due sistemi robotici autonomi separati, riscontrando un rapido miglioramento rispetto ai metodi di ottimizzazione convenzionali: nel primo il robot ha percorso un percorso tra due ostacoli, nel secondo una coppia di robot ha lavorato insieme per spostare una scatola pesante.