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

Robots die met precisie bewegen, voeren een constante strijd tegen de rommelige realiteit van de fysieke wereld. Zelfs de meest zorgvuldig ontworpen machines worstelen wanneer onverwachte krachten tegen hen duwen, wanneer onderdelen slijten, of wanneer de wiskunde die hun beweging voorspelt niet perfect overeenkomt met de werkelijkheid. Om een robotarm stabiel te houden of een drone te laten zweven, vertrouwen ingenieurs traditioneel op gestructureerde feedback: een rigide set regels die constant controleert waar de robot zich bevindt en het pad corrigeert. Dit werkt goed in voorspelbare situaties, maar het faalt vaak wanneer de omgeving een onverwachte wending neemt. In de afgelopen jaren hebben wetenschappers zich gericht op een ander soort intelligentie geïnspireerd door het menselijk brein, bekend als spiking neural networks (spiking neurale netwerken). In tegen tegenstelling tot standaard computerprogramma's die informatie continu verwerken, vuren deze netwerken alleen wanneer dat nodig is, door korte uitbarstingen van activiteit te sturen zoals neuronen in een brein. Dit maakt ze efficiënt en responsief, maar het gebruiken van deze netwerken om de beweging van een robot te corrigeren zonder het bestaande controlesysteem te breken, is een moeilijke puzzel geweest. De uitdaging ligt in het laten bieden van correcties door deze nieuwe, flexibele intelligentie zonder de betrouwbare, bewezen regels die de machine veilig houden te overschrijven.

Een onderzoeker aan de University of Science and Technology Beijing heeft een oplossing voor dit probleem ontwikkeld, waarbij een systeem is gecreëerd dat een spiking neuraal netwerk laat fungeren als een behulpzame assistent in plaats van een vervanging voor de kerncontroller van de robot. Ze noemen hun creatie LyCo-SNN. In plaats van het neurale netwerk de bevelen van de robot volledig te laten overnemen, houdt het systeem de traditionele, gestructureerde controller in de leiding. De taak van het neurale netwerk is om naar de sensoren van de robot te luisteren, te detecteren wanneer er iets misgaat — zoals een onverwachte windvlaag of een motor die vermogen verliest — en een kleine, specifieke correctie voor te stellen. De onderzoeker heeft een veiligheidsfilter ontworpen dat elke voorstel controleert dat het neurale netwerk doet. Dit filter zorgt ervoor dat elke voorgestelde wijziging de robot daadwerkelijk hels zal helpen op koers te blijven en de robot nooit in een gevaarlijke staat zal brengen. Als een voorstel riskant lijkt, schaalt het filter het af of negeert het het, waardoor de robot kan vertrouwen op zijn standaardregels. Deze aanpak scheidt de generatie van ideeën van de uitvoering van acties, waardoor wordt gegarandeerd dat de robot stabiel blijft, zelfs wanneer het neurale netwerk leert of reageert op nieuwe problemen.

Om dit idee te testen, onderwierp de onderzoeker het systeem aan een reeks rigoureuze simulaties waarbij twee zeer verschillende soorten robots betrokken waren: een zeven-gewrichtige robotarm en een quadrotor-drone. De onderzoeker vroeg het systeem om complexe, continue paden te volgen terwijl er diverse uitdagingen werden geïntroduceerd. In één scenario moest de robotarm een vloeiende curve volgen terwijl een zware, onzichtbare kracht ertegenaan duwde. In een ander scenario moest de drone een specifieke lus vliegen terwijl een van de vier rotoren plotseling dertig procent van zijn vermogen verloor. De onderzoeker vergeleek hun nieuwe systeem met verschillende andere methoden, inclusief de standaard controller alleen en andere typen neurale netwerken. De resultaten lieten zien dat het LyCo-SNN-systeem de anderen aanzienlijk overtrof in het houden van de robots op hun beoogde paden. Wanneer de robotarm te maken kreeg met de zware externe druk, hield het nieuwe systeem de positiefout op een gemiddelde van 24,603 millimeter, een opmerkelijke verbetering ten opzichte van de standaard controller die veel verder uit koers raakte. Op dezelfde manier, toen de drone te maken kreeg met een motorfout, handhaafde het nieuwe systeem een positiefout van slechts 0,1093 meter, wat veel beter is dan de andere geteste methoden.

Wat deze resultaten bijzonder interessant maakt, is hoe het systeem deze bereikte zonder energie te verspillen of chaotisch te worden. De onderzoeker vond dat het neurale netwerk niet constant hoefde te vuren om effectief te zijn. In de drone-tests vuurde het netwerk slechts ongeveer 7,48 procent van de tijd tijdens een normale vlucht, en zelfs toen een motor uitviel, nam de activiteit slechts toe tot 9,47 procent. Dit lage niveau van activiteit suggereert dat het systeem zeer efficiënt is en alleen ingrijpt wanneer het echt iets nuttigs te zeggen heeft. Bovendien speelde het veiligheidsfilter een cruciale rol. In de robotarm-tests moest het filter de omvang van de suggesties van het neurale netwerk vaak aanzienlijk verkleinen, waarbij ze afschaalde naar ongeveer 20 procent van hun oorspronkelijke kracht voordat ze werden toegepast. Dit geeft aan dat, hoewel het neurale netwerk actief was en veel ideeën genereerde, het filter zorgvuldig alleen de meest passende delen van die ideeën selecteerde om te zorgen dat de robot soepel bewoog. In de drone-tests liet het filter bijna alle suggesties door, waarbij ze met bijna 100 procent werden geschaald, omdat de vluchtomstandigheden milder waren.

De studie onthulde ook dat het systeem het beste werkt wanneer het zich concentreert op specifieke soorten fouten. Door het neurale netwerk in een reeks tests uit het systeem te verwijderen, zag de onderzoeker dat de grootste verbeteringen voortkwamen uit het vermogen van de robot om op zijn beoogde pad in de ruimte te blijven, in plaats van hoe perfect hij zijn oriëntatie vasthield. Bijvoorbeeld, toen de drone vermogen verloor, hield het systeem met het neurale netwerk de positie van de drone veel dichter bij het doel dan het systeem zonder het, zelfs als de kantelingshoek van de drone iets minder perfect was dan met sommige andere methoden. Deze afweging suggereert dat het systeem bijzonder goed is in het corrigeren van de fysieke beweging van de robot tegen externe krachten, in plaats van het fijn afstemmen van elke interne hoek. De onderzoeker bevestigde ook dat de veiligheidsmechanismen van het systeem werkten zoals bedoeld; in elke simulatie voorkwam het filter succesvol elke opdracht die de wiskundige garanties van stabiliteit zou hebben geschonden.

Uiteindelijk demonstreert dit werk dat het mogelijk is om de aanpasbaarheid van brein-achtige computing te combineren met de betrouwbaarheid van traditionele techniek. De onderzoeker heeft aangetoond dat een spiking neuraal netwerk kan leren om de fouten van een robot te herstellen zonder ooit de controle weg te nemen van de veiligheidssystemen die voorkomen dat hij crasht. Door het genereren van een correctie te scheiden van het uitvoeren ervan, hebben zij een kader gecreëerd waarin een robot robuust kan blijven in het aangezicht van onverwachte verstoringen, van zware lasten op een arm tot falende motoren op een drone. De bevindingen zijn gebaseerd op simulaties, wat betekent dat ze een zeer gecontroleerde omgeving vertegenwoordigen, maar de consistentie van de resultaten over verschillende robots en verschillende soorten defecten suggereert een veelbelovend pad voorwaarts. Het systeem bewees dat een robot zowel rigide veilig als flexibel slim kan zijn, waarbij het een kleine, efficiënte uitbarsting van neurale activiteit gebruikt om koers te corrigeren wanneer de wereld een beetje te chaotisch wordt om met alleen regels te hanteren.