IE, 20/04/2023
Por Amal Jos Chacko
"Essa foi a primeira vez que pensei, 'isso realmente pode ser uma coisa muito poderosa'. Foi muito impressionante para mim."
Não ouvimos muitas vezes sobre artistas e inovadores que buscam inspiração na natureza? Todos os dias, elementos mundanos que incutem criatividade? Pesquisadores do Massachusetts Institute of Technology (MIT) agora pegaram uma página do livro da natureza para treinar drones.
Redes neurais líquidas (LNN) são uma iteração mais recente de redes neurais. Inspirados em cérebros orgânicos, eles contêm um conjunto de neurônios conectados por sinapses e podem se adaptar continuamente a novas entradas de dados.
Quando apresentados a novos dados, as sinapses que ligam os neurônios que processam esses dados se fortalecem, melhorando assim a rede.
A equipe queria avaliar como uma arquitetura baseada em LNN poderia aprender com dados de alta dimensão, não estruturados e não rotulados; e como o conhecimento assim adquirido pode ser transferido quando em território desconhecido.
O verme Caenorhabditis elegans parecia ser uma inspiração ideal para o LNN. Com apenas 302 neurônios e 8.000 conexões sinápticas, o verme certamente tem um cérebro menor, especialmente quando comparado com o cérebro humano.
No entanto, as redes neurais líquidas ainda estão em seu estágio inicial. Um cérebro menor permitirá que a equipe entenda seu funcionamento e analise possíveis melhorias.
“Queríamos modelar a dinâmica dos neurônios, como eles funcionam, como liberam informações, um neurônio para outro”, Ramin Hasani, coautor do estudo e afiliado de pesquisa do MIT, disse à Popular Science.
Voando com cores voadoras
A equipe realizou uma série de experimentos de controle de circuito fechado no drone quadcopter DJI treinado em LNN. Estes incluíram tarefas fly-to-target, testes de estresse, rotação de alvos e rastreamento dinâmico de alvos.
O LNN foi ensinado pela primeira vez a identificar uma cadeira vermelha, levando o drone a reconhecer e voar em direção à cadeira a partir de distâncias de até 145 pés (45 metros).
“Acho que foi a primeira vez que pensei, 'isso realmente pode ser uma coisa muito poderosa'”, disse Makram Chahine, pesquisador graduado do MIT e co-autor.
A equipe escolheu quatro arquiteturas de redes neurais recorrentes diferentes para definir uma linha de base.
Os resultados dos testes mostraram que as arquiteturas baseadas em LNN superam consistentemente outros modelos, mesmo registrando uma alta taxa de sucesso de mais de 90% em tarefas fly-to-target. Outras evidências convincentes foram registradas em testes de robustez de alcance, rotação e oclusão e tarefas dinâmicas de rastreamento de alvos.
As redes inspiradas no cérebro mostraram menos desvios de suas trajetórias do que as redes neurais tradicionais.
Um futuro inspirado em vermes?
Embora seja muito cedo para identificar as razões que levam à alta precisão das redes líquidas, os pesquisadores supõem que isso esteja relacionado à capacidade de entender a causalidade.
“Queremos criar algo que seja compreensível, controlável. Mas agora estamos longe disso. Tudo o que fazemos como um laboratório de robótica e aprendizado de máquina é [para] segurança geral e implantação de IA de maneira segura e ética em nossa sociedade, e realmente queremos manter essa missão e visão que temos ”, Hasani diz, falando sobre preocupações de segurança e excesso de automação.
Pode não ser amanhã, mas em breve poderemos ver drones treinados para identificar outros objetos, especialmente humanos. A resposta a desastres pode ver em breve um sério aumento de nível.
Resumo do estudo
Os robôs autônomos podem aprender a realizar tarefas de navegação visual a partir de demonstrações humanas offline e generalizar bem para cenários online e invisíveis dentro do mesmo ambiente em que foram treinados. É um desafio para esses agentes dar um passo adiante e generalizar de forma robusta para novos ambientes com mudanças drásticas de cenário que nunca encontraram. Aqui, apresentamos um método para criar agentes de navegação de voo robustos que executam com sucesso tarefas fly-to-target baseadas em visão além de seu ambiente de treinamento sob mudanças drásticas de distribuição. Para esse fim, projetamos uma estrutura de aprendizado de imitação usando redes neurais líquidas, uma classe inspirada no cérebro de modelos neurais de tempo contínuo que são causais e se adaptam a condições mutáveis. Observamos que os agentes líquidos aprendem a destilar a tarefa que recebem a partir de entradas visuais e descartam recursos irrelevantes. Assim, suas habilidades de navegação aprendidas foram transferidas para novos ambientes. Quando comparados com vários outros agentes profundos de última geração, experimentos mostraram que esse nível de robustez na tomada de decisão é exclusivo das redes líquidas, tanto em sua equação diferencial quanto em suas representações de forma fechada.
Artigos recomendados: Drones e NN
Fonte:https://interestingengineering.com/science/worm-inspired-liquid-neural-network-grants-drone-autonomy
Nenhum comentário:
Postar um comentário