Reti neurali liquide guidano i droni in luoghi sconosciuti

Ispirandosi alla natura adattabile dei cervelli organici, i ricercatori del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT hanno introdotto per i droni un metodo per padroneggiare compiti basati sulla visione in ambienti intricati e sconosciuti. Le reti neurali liquide, che possono adattarsi continuamente a nuovi input di dati, hanno dimostrato di saper prendere decisioni affidabili in domini sconosciuti come foreste, paesaggi urbani e ambienti con rumore, rotazione e occlusione. Questi modelli adattabili, che hanno superato molte controparti allo stato dell'arte nei compiti di navigazione, potrebbero consentire potenziali applicazioni di droni nel mondo reale come la ricerca e il salvataggio, le consegne e il monitoraggio della fauna selvatica.

Il recente studio dei ricercatori, pubblicato oggi su Science Robotics, illustra nei dettagli come questa nuova categoria di agenti possa adattarsi a significativi cambiamenti di distribuzione, una sfida di lunga data nel settore. La nuova classe di algoritmi di apprendimento automatico del team, tuttavia, cattura la struttura causale dei compiti da dati non strutturati e ad alta dimensionalità, come gli input dei pixel di una telecamera montata su un drone. Queste reti sono in grado di estrarre gli aspetti cruciali di un compito (cioè di comprendere il compito in questione) e di ignorare le caratteristiche irrilevanti, consentendo alle abilità di navigazione acquisite di trasferire gli obiettivi senza problemi a nuovi ambienti.

Le basi della ricerca: un nuovo paradigma di droni

"Siamo entusiasti dell'immenso potenziale del nostro approccio di controllo basato sull'apprendimento per i robot, in quanto pone le basi per risolvere i problemi che sorgono quando ci si addestra in un ambiente e lo si impiega in un ambiente completamente diverso senza ulteriore addestramento", afferma Daniela Rus, direttore del CSAIL e professore di ingegneria elettrica e informatica Andrew (1956) ed Erna Viterbi al MIT.

"I nostri esperimenti dimostrano che possiamo insegnare efficacemente a un drone a localizzare un oggetto in una foresta durante l'estate, per poi impiegare il modello in inverno, con un ambiente molto diverso, o anche in contesti urbani, con compiti diversi come la ricerca e l'inseguimento". Questa adattabilità è resa possibile dalle basi causali delle nostre soluzioni. Questi algoritmi flessibili potrebbero un giorno aiutare a prendere decisioni basate su flussi di dati che cambiano nel tempo, come ad esempio nella diagnosi medica e nelle applicazioni di guida autonoma".

L'approccio allo sviluppo

In primo piano c'è stata una sfida impegnativa:

• i sistemi di apprendimento automatico sono in grado di comprendere il compito che viene loro affidato dai dati quando volano con i droni verso un oggetto non etichettato?
• E sarebbero in grado di trasferire l'abilità e il compito appreso in nuovi ambienti con drastici cambiamenti di scenario, come il volo da una foresta a un paesaggio urbano?

Inoltre, a differenza delle straordinarie capacità dei nostri cervelli biologici, i sistemi di apprendimento profondo faticano a cogliere la causalità, spesso adattandosi eccessivamente ai dati di addestramento e non riuscendo ad adattarsi a nuovi ambienti o a condizioni mutevoli. Questo è particolarmente preoccupante per i sistemi embedded a risorse limitate, come i droni aerei, che devono attraversare ambienti variegati e rispondere istantaneamente agli ostacoli.

Le reti neurali liquide

Le reti liquide, invece, offrono promettenti indicazioni preliminari sulla loro capacità di affrontare questa debolezza cruciale dei sistemi di apprendimento profondo. Il sistema del team è stato prima addestrato sui dati raccolti da un pilota umano, per vedere come trasferire le abilità di navigazione apprese in nuovi ambienti, in presenza di drastici cambiamenti di scenario e condizioni. A differenza delle reti neurali tradizionali, che imparano solo durante la fase di addestramento, i parametri della rete neurale liquida possono cambiare nel tempo, rendendoli non solo interpretabili, ma anche più resistenti a dati imprevisti o rumorosi.

In una serie di esperimenti di controllo ad anello chiuso dei quadricotteri, i droni sono stati sottoposti a test di portata, stress test, rotazione e occlusione del bersaglio, escursioni con avversari, loop triangolari tra oggetti e inseguimento dinamico del bersaglio. Hanno seguito bersagli in movimento ed eseguito loop multi-step tra oggetti in ambienti mai visti prima, superando le prestazioni di altre controparti all'avanguardia.

I possibili sviluppi applicativi

Il team ritiene che la capacità di apprendere da dati esperti limitati e di comprendere un determinato compito generalizzandolo a nuovi ambienti potrebbe rendere l'impiego di droni autonomi più efficiente, economico e affidabile. Le reti neurali liquide, hanno osservato, potrebbero consentire ai droni autonomi per la mobilità aerea di essere utilizzati per il monitoraggio ambientale, la consegna di pacchi, i veicoli autonomi e gli assistenti robotici.

"L'impostazione sperimentale presentata nel nostro lavoro mette alla prova le capacità di ragionamento di vari sistemi di deep learning in scenari controllati e semplici", afferma Ramin Hasani, ricercatore del MIT CSAIL. "C'è ancora molto spazio per la ricerca e lo sviluppo futuri su sfide di ragionamento più complesse per i sistemi di IA nelle applicazioni di navigazione autonoma, che devono essere testate prima di poterle impiegare in sicurezza nella nostra società."

"L'apprendimento robusto e le prestazioni in compiti e scenari non distribuiti sono alcuni dei problemi chiave che l'apprendimento automatico e i sistemi robotici autonomi devono conquistare per fare ulteriori passi avanti nelle applicazioni critiche per la società", afferma Alessio Lomuscio, professore di sicurezza dell'IA presso il Dipartimento di Informatica dell'Imperial College di Londra. "In questo contesto, le prestazioni delle reti neurali liquide, un nuovo paradigma ispirato al cervello sviluppato dagli autori al MIT, riportate in questo studio sono notevoli. Se questi risultati saranno confermati in altri esperimenti, il paradigma qui sviluppato contribuirà a rendere i sistemi di intelligenza artificiale e robotici più affidabili, robusti ed efficienti".

È chiaro che il cielo non è più il limite, ma piuttosto un vasto parco giochi per le infinite possibilità di queste meraviglie aeree.