Spiking Residual Control with Decoupled Event Allocation and Lyapunov-Constrained Execution

Roboter, die sich mit Präzision bewegen, führen einen ständigen Kampf gegen die unordentliche Realität der physischen Welt. Selbst die am sorgfältigsten konstruierten Maschinen haben zu kämpfen, wenn unerwartete Kräfte gegen sie drücken, wenn Teile verschleißen oder wenn die Mathematik, die ihre Bewegung vorhersagt, nicht perfekt mit der Realität übereinstimmt. Um einen Roboterarm stabil zu halten oder eine Drohne in der Schwebe zu halten, verlassen sich Ingenieure traditionell auf eine strukturierte Rückkopplung: einen starren Satz von Regeln, der ständig prüft, wo sich der Roboter befindet, und seinen Pfad korrigiert. Dies funktioniert gut in vorhersehbaren Situationen, aber es gerät oft ins Straucheln, wenn die Umgebung einen Kurvenball wirft. In den letzten Jahren haben Wissenschaftler sich einer anderen Art von Intelligenz zugewandt, die vom menschlichen Gehirn inspiriert ist, bekannt als Spiking Neural Networks (pulsierende neuronale Netze). Im Gegensatz zu Standard-Computerprogrammen, die Informationen kontinuierlich verarbeiten, feuern diese Netzwerke nur dann, wenn es notwendig ist, und senden kurze Aktivitätsausbrüche wie Neuronen im Gehirn. Dies macht sie effizient und reaktionsschnell, aber sie zu nutzen, um die Bewegung eines Roboters zu korrigieren, ohne sein bestehendes Kontrollsystem zu beschädigen, war ein schwieriges Rätsel. Die Herausforderung besteht darin, dieser neuen, flexiblen Intelligenz zu erlauben, Korrekturen anzubieten, ohne die zuverlässigen, bewährten Regeln zu überschreiben, die die Maschine sicher halten.

Ein Forscher an der University of Science and Technology Beijing hat eine Lösung für dieses Problem entwickelt, indem er ein System erschuf, das ein Spiking Neural Network als hilfreichen Assistenten statt als Ersatz für den Kern-Controller des Roboters agieren lässt. Sie nennen ihre Schöpfung LyCo-SNN. Anstatt das neuronale Netzwerk die Befehle des Roboters vollständig übernehmen zu lassen, behält das System den traditionellen, strukturierten Controller in der Verantwortung. Die Aufgabe des neuronalen Netzwerks ist es, den Sensoren des Roboters zuzuhören, zu erkennen, wenn etwas schiefgeht – wie etwa eine unerwartete Windböe oder ein Leistungsverlust eines Motors – und eine kleine, spezifische Korrektur vorzuschlagen. Der Forscher entwarf einen Sicherheitsfilter, der jeden Vorschlag des neuronalen Netzwerks überprüft. Dieser Filter stellt sicher, dass jede vorgeschlagene Änderung dem Roboter tatsächlich hilft, auf Kurs zu bleiben, und ihn niemals in einen gefährlichen Zustand versetzt. Wenn ein Vorschlag riskant aussieht, skaliert der Filter ihn herunter oder ignoriert ihn, sodass der Roboter sich auf seine Standardregeln verlassen kann. Dieser Ansatz trennt die Generierung von Ideen von der Ausführung von Handlungen und stellt sicher, dass der Roboter stabil bleibt, selbst wenn das neuronale Netzwerk lernt oder auf neue Probleme reagiert.

Um diese Idee zu testen, unterzog der Forscher sein System einer Reihe strenger Simulationen mit zwei sehr unterschiedlichen Arten von Robotern: einem siebengelenkigen Roboterarm und einer Quadrotor-Drohne. Er bat das System, komplehexe, kontinuierliche Pfade zu folgen, während verschiedene Herausforderungen eingeführt wurden. In einem Szenario musste der Roboterarm eine glatte Kurve nachfahren, während eine schwere, unsichtbare Kraft gegen ihn drückte. In einem anderen Szenario musste die Drohne eine bestimmte Schleife fliegen, während einer ihrer vier Rotoren plötzlich dreißig Prozent seiner Leistung verlor. Der Forscher verglich sein neues System mit mehreren anderen Methoden, einschließlich des Standard-Controllers allein und anderer Arten von neuronalen Netzwerken. Die Ergebnisse zeigten, dass das LyCo-SNN-System die anderen Methoden deutlich übertraf, um die Roboter auf ihren beabsichtigten Pfaden zu halten. Als der Roboterarm der schweren externen Druckkraft ausgesetzt war, hielt das neue System seinen Positionsfehler bei durchschnittlich 24,603 Millimetern, eine bemerkenswerte Verbesserung gegenüber dem Standard-Controller, der viel weiter vom Kurs abwich. Ähnlich verhielt es sich, als die Drohne einen Motorausfall erlitt; das neue System hielt einen Positionsfehler von nur 0,1093 Metern aufrecht, was weit besser war als die anderen getesteten Methoden.

Was diese Ergebnisse besonders interessant macht, ist die Art und Weise, wie das System diese erreichte, ohne Energie zu verschwenden oder chaotisch zu werden. Der Forscher fand heraus, dass das neuronale Netzwerk nicht ständig feuern musste, um effektiv zu sein. In den Drohnen-Tests feuerte das Netzwerk während des normalen Fluges nur etwa 7,48 Prozent der Zeit, und selbst als ein Motor ausfiel, erhöhte es seine Aktivität nur auf 9,47 Prozent. Dieses niedrige Aktivitätsniveau deutet darauf hin, dass das System hocheffizient ist und nur dann einschreitet, wenn es wirklich etwas Nützliches zu sagen hat. Darüber hinaus spielte der Sicherheitsfilter eine entscheidende Rolle. In den Tests mit dem Roboterarm musste der Filter die Größe der Vorschläge des neuronalen Netzwerks oft erheblich reduzieren, indem er sie auf etwa 20 Prozent ihrer ursprünglichen Stärke skalierte, bevor er sie anwandte. Dies deutet darauf hin, dass das neuronale Netzwerk zwar aktiv war und viele Ideen generierte, der Filter jedoch sorgfältig nur die am besten geeigneten Teile dieser Ideen auswählte, um sicherzustellen, dass sich der Roboter reibungslos bewegt. In den Drohnen-Tests ließ der Filter fast alle Vorschläge durch, indem er sie um nahezu 100 Prozent skalierte, da die Flugbedingungen nachgiebiger waren.

Die Studie zeigte auch, dass das System am besten arbeitet, wenn es sich auf spezifische Arten von Fehlern konzentriert. Indem der Forscher das neuronale Netzwerk in einer Reihe von Tests aus dem System entfernte, sah er, dass die größten Verbesserungen in der Fähigkeit des Roboters lagen, auf seinem beabsichtigten Pfad im Raum zu bleiben, im Vergleich dazu, wie perfekt er seine Orientierung hielt. Beispielsweise hielt die Drohne, als sie an Leistung verlor, mit dem neuronalen Netzwerk ihre Position viel näher am Ziel als das System ohne es, obwohl ihr Neigungswinkel etwas weniger perfekt war als bei einigen anderen Methoden. Dieser Kompromiss deutet darauf hin, dass das System besonders gut darin ist, die physische Bewegung des Roboters gegen externe Kräfte zu korrigieren, anstatt jeden internen Winkel fein abzustimmen. Der Forscher bestätigte auch, dass die Sicherheitsmechanismen des Systems wie vorgesehen funktionierten; in jeder Simulation verhinderte der Filter erfolgreich jeden Befehl, der die mathematischen Garantien der Stabilität verletzt hätte.

Letztendlich demonstriert diese Arbeit, dass es möglich ist, die Anpassungsfähigkeit von hirngleichem Computing mit der Zuverlässigkeit traditioneller Ingenieurskunst zu kombinieren. Der Forscher zeigte, dass ein Spiking Neural Network lernen kann, die Fehler des Roboters zu beheben, ohne jemals die Kontrolle über die Sicherheitssysteme zu übernehmen, die ihn vor einem Absturz bewahren. Durch die Trennung des Aktes der Korrekturgenerierung vom Akt der Ausführung hat er einen Rahmen geschaffen, in dem ein Roboter angesichts unerwarteter Störungen robust bleiben kann, von schweren Lasten an einem Arm bis hin zu ausfallenden Motoren bei einer Drohne. Die Ergebnisse basieren auf Simulationen, was bedeutet, dass sie eine hochkontrollierte Umgebung darstellen, aber die Konsistenz der Ergebnisse über verschiedene Roboter und verschiedene Arten von Ausfällen hinweg deutet auf einen vielversprechenden Weg hin. Das System bewies, dass ein Roboter sowohl starr sicher als auch flexibel intelligent sein kann, indem er einen kleinen, effizienten Impuls neuronaler Aktivität nutzt, um seinen Kurs zu korrigieren, wann immer die Welt ein wenig zu unordentlich wird, um sie allein mit Regeln zu bewältigen.