据外媒报道，麻省理工学院（MIT）和斯坦福大学（Stanford University）的研究人员设计出新的机器学习方法，可用于在条件快速变化的动态环境中更有效地控制机器人，例如无人机或自动驾驶汽车。
图片来源：arXiv
这项技术可以帮助自动驾驶汽车学会补偿湿滑的路况以避免打滑，允许机器人自由飞行器（free-flyer）在太空中牵引不同的物体，或者使无人机能够在强风的冲击下紧紧跟随下坡滑雪者。
研究人员的方法是将控制理论中的某些结构融入到学习模型的过程中，从而产生一种控制复杂动力学的有效方法，例如风对飞行器轨迹的影响。思考这种结构的方法之一是作为一种提示，可以帮助指导如何控制系统。
麻省理工学院机械工程系和数据、系统与社会研究所（IDSS）Esther和Harold E. Edgerton助理教授、信息与决策系统实验室（LIDS）成员Navid Azizan表示：“我们工作的重点是了解系统动力学的内在结构，从而设计出更有效、更稳定的控制器。通过从数据中共同学习系统的动力学和独特的面向控制的结构，我们能够自然地创建在现实世界中更有效地运行的控制器。”
在学习模型中使用这种结构，研究人员的技术可以立即从模型中提取有效的控制器，这与其他需要通过额外步骤单独导出或学习控制器的机器学习方法不同。通过这种结构，新研究方法还能够使用更少的数据（与其它方法相比）来学习有效的控制器。因此新基于学习的控制系统可在快速变化的环境中更快地实现更好的性能。
主要作者、斯坦福大学研究生Spencer M. Richards表示：“这项工作试图在识别系统结构和从数据中学习模型之间取得平衡。受机器人学家利用物理学推导出更简单的机器人模型的启发，我们开发出该新技术。对这些模型的物理分析通常会产生用于控制目的的有用结构，例如如果只是试图将模型与数据拟合，则可能会错过这个结构。相反，我们尝试从数据中识别类似有用的结构，以指示如何实现控制逻辑。”
扫一扫关注微信
