Ein Deep-Learning- und Modellprädiktionssteuerungs-Framework zur Steuerung von Quadrotoren und agilen Robotern

In den letzten Jahren haben Informatiker immer fortschrittlichere Algorithmen zur Steuerung der Bewegungen von Roboteragenten entwickelt. Diese umfassen modellprädiktive Steuerungstechniken (MPC), die ein Modell der Dynamik des Agenten verwenden, um sein zukünftiges Verhalten in Richtung eines gegebenen Ziels zu optimieren, während gleichzeitig eine Reihe von Einschränkungen erfüllt werden (z. B. nicht gegen Hindernisse stoßen können).

Forscher der Technischen Universität München und der Universität Zürich haben kürzlich Real-time Neural MPC entwickelt, ein Framework, das komplexe Modellarchitekturen basierend auf künstlichen neuronalen Netzen (KNNs) in ein MPC-Framework für agile Roboter (d. h. Quadrotoren – Drohnen mit vier Rotoren) integriert. . Dieses Konzept, vorgestellt in IEEE Robotik und Automatisierungsbriefebaut auf einem früheren Ansatz auf, der von der Robotics and Perception Group der Universität Zürich entwickelt wurde.

„Wir sind gestoßen die hervorragende Arbeit von der Robotics and Perception Group unter der Leitung von Davide Scaramuzza und waren sofort davon begeistert, auf ihrer Kernidee aufzubauen, datengesteuerte (erlernte) Komponenten zu haben, die ‚traditionelle‘ Steueralgorithmen verstärken“, Tim Salzmann und Markus Ryll, Forscher am Autonomous Aerial Systems Gruppe der Technischen Universität München, gegenüber Tech Xplore.

„Nachdem wir einen Proof-of-Concept ausgearbeitet hatten, um ihren Ansatz, der Gaußsche Prozesse (GPs) verwendet, auf generische neuronale Netze (Deep Learning Models) zu verallgemeinern, haben wir unsere Idee der Robotics and Perception Group an der Universität Zürich vorgestellt. Von da an wurden technische Arbeiten und Experimente zwischen den beiden Laboren gemeinsam vorangetrieben, was eine neue Zusammenarbeit auslöste.“

Das von Salzmann, Ryll und ihren Kollegen vorgeschlagene neue Framework kombiniert Deep-Learning-Modelle und Online-Optimierung von MPC. Expressive Deep-Learning-Modelle sind rechenintensiv. Indem sie jedoch online in Echtzeit angenähert werden, kann das Framework dedizierte Hardware (GPUs) nutzen, um diese Modelle effizient zu verarbeiten, sodass ihr System optimale Aktionen für Roboter in Echtzeit vorhersagen kann.

„Das Echtzeit-Neural-MPC-Framework ermöglicht die Kombination zweier Bereiche, optimale Steuerung und Deep Learning, während beide Teile ihre jeweiligen hochoptimierten Frameworks und Rechengeräte nutzen können“, erklärten Salzmann und Ryll. „Als solches können wir Deep-Learning-Berechnungen in PyTorch/Tensorflow auf einer GPU durchführen, während die Steuerungsoptimierung in kompiliertem C-Code auf einer CPU durchgeführt wird. Dies ermöglicht die Nutzung der Leistungsfähigkeit von Deep Learning in zuvor unerreichbaren Anwendungen – zum Beispiel in der optimalen Onboard-Steuerung eines Quadrotors.“

Die Forscher evaluieren ihr Framework in einer Reihe von Experimenten, sowohl in einer simulierten als auch in einer realen Umgebung. In diesen Tests verwenden sie es speziell, um die Aktionen eines hochagilen Quadrotors in Echtzeit zu steuern.

Ihre Ergebnisse sind sehr vielversprechend, da sie die Vorhersagekraft neuronaler Netzwerkarchitekturen mit einer parametrischen Kapazität nutzen können, die mehr als 4.000-mal größer ist als diejenigen, die zuvor zur Steuerung der Bewegungen agiler Roboter in Echtzeit verwendet wurden. Sie stellen auch fest, dass ihr Framework im Vergleich zu herkömmlichen MPC-Methoden ohne Deep-Learning-Komponente Positionsverfolgungsfehler um bis zu 82 % reduzieren kann.

„In der Robotik suchen wir nach aussagekräftigen Modellen der Dynamik der geregelten Systeme und ihrer Wechselwirkung mit der Umgebung (z. B. aerodynamische Effekte, Reifenreibung etc.)“, so Salzmann und Ryll. „Während diese oft schwer analytisch zu formulieren sind, können lernbasierte Ansätze, insbesondere neuronale Netze, Dynamiken und Interaktionseffekte erfassen. Die Modellgenauigkeit skaliert jedoch mit der Größe des neuronalen Netzes. Echtzeit-Neural-MPC ermöglicht die Verwendung von Deep lernende Modelle um Größenordnungen leistungsfähiger und performanter im Vergleich zu dem, was bisher in Model Predictive Control machbar war.“

Wie die kürzlich veröffentlichte Nvidia Jetson-Plattform zeigt, finden GPU-Chips nach und nach ihren Weg in eingebettete Systeme. Das von diesem Forscherteam geschaffene Framework könnte es Entwicklern bald ermöglichen, die hohe Vorhersagekraft fortschrittlicher datengesteuerter KI-Techniken zu nutzen, um die Dynamik von Robotern, die GPU-Chips integrieren, und ihre Interaktionen mit der Umgebung besser zu modellieren, das Unfallrisiko zu verringern und ihre Unfallgefahr zu verbessern Navigationsmöglichkeiten.

„Es gibt viele offene Wege für zukünftige Forschung“, fügten Salzmann und Ryll hinzu. „Ein Problem von Deep-Learning-Ansätzen besteht darin, dass ihre Ausgabe für Situationen, die nicht Teil der Trainingsdaten sind (Out Of Distribution OOD), unregelmäßig sein kann. Diese Situationen zu erkennen und einen Fallback für die Steuerung bereitzustellen, um das System zu stabilisieren, würde zu Robustheit führen OOD-Situationen.“

© 2023 Science X Netzwerk