Un piccolo drone effettua un volo di prova attraverso uno spazio riempito con cilindri di cartone disposti a caso, che simulano la presenza di alberi, persone o strutture. Grazie all’apprendimento automatico, l’algoritmo che controlla il drone è in grado di compiere mille percorsi simulati a ostacoli, ma non ne ha mai provato uno come questo. Eppure, nove volte su dieci, il minuscolo velivolo riesce a superare tutti gli ostacoli sul suo percorso.
L’apprendimento automatico porterà ad avere robot sempre più flessibili
Questo esperimento è un terreno di prova per una sfida fondamentale nella moderna robotica: la capacità di garantire la sicurezza e il successo dei robot automatizzati che operano in ambienti sconosciuti. Mentre gli ingegneri si rivolgono sempre più ai metodi di apprendimento automatico per sviluppare robot adattabili, il nuovo lavoro dei ricercatori della Princeton University segna dei progressi in merito a tali garanzie per i robot che si trovano ad affrontare diversi tipi di ostacoli e vincoli.
Anirudha Majumdar, assistente di ingegneria meccanica e aerospaziale a Princeton, spiega che nell’ultimo decennio circa, l’apprendimento automatico nel contesto della robotica ha compiuto notevoli progressi e ha suscitato moltissimo entusiasmo, principalmente perché permette di gestire consistenti input sensoriali come quelli provenienti dalla telecamera di un robot, e di mappare questi complessi input traducendoli in azioni.
Una maggior quantità di strumenti disponibili assicura una maggior adattabilità
Tuttavia, gli algoritmi di controllo dei robot basati sull’apprendimento automatico corrono il rischio di adattarsi eccessivamente ai dati su cui hanno compiuto l’addestramento, il che può ridurne l’efficacia di fronte a input diversi da quelli su cui hanno lavorato. L’Intelligent Robot Motion Lab di Majumdar ha affrontato questa sfida ampliando la suite di strumenti disponibili per l’addestramento delle politiche di controllo dei robot e quantificando le probabilità di successo e la sicurezza dei robot che operano in nuovi ambienti.
In tre nuovi studi, i ricercatori hanno adattato i quadri di apprendimento automatico di altri settori al campo della locomozione e della manipolazione dei robot. Per farlo si sono rivolti alla teoria della generalizzazione, che è tipica dei contesti che mappano un singolo input su un singolo output, come ad esempio l’etichettatura automatica delle immagini. Majumdar sostiene che i nuovi metodi sono tra i primi ad applicare la teoria della generalizzazione allo scopo più complesso di fornire garanzie sulle prestazioni dei robot in contesti non familiari. Mentre altri approcci hanno fornito tali garanzie in base ad ipotesi più restrittive, i metodi del team offrono garanzie più ampie sulle prestazioni in ambienti sconosciuti.
Ph. credits: Foto di Manfred Steger da Pixabay
