10 martie 2023
Joel Burdick de la Caltech
Roboții autonomi sunt din ce în ce mai aplicați la sarcini care implică manevre complexe și medii dinamice greu de modelat a priori. Au fost propuse diferite tipuri de metode de învățare pentru a umple această lacună de modelare. Pentru a motiva nevoia de a învăța interacțiuni complexe fluid-structură, revizuim mai întâi sistemele SQUID (o dronă lansată balistic și autostabilizată) și PARSEC (un manipulator aerian care poate furniza module de rețea de senzori cu autoancorare). În continuare, vom arăta cum să învățăm interacțiunile fluid-structură de bază folosind tehnici spectrale Koopman și să încorporăm modelul învățat într-un cadru de control predictiv al modelului neliniar în timp real. Performanța acestei abordări este demonstrată pe drone mici care operează foarte aproape de sol, unde efectul de sol destabiliza în mod normal zborul. Riscul operațional abundă în sarcini robotizate complexe. Acest risc apare atât din mediul incert, cât și din modele incomplet învățate. După ce am analizat elementele de bază ale măsurilor coerente de risc, vom arăta cum analiza simplă a terenului conștientă de risc a îmbunătățit performanța roboților noștri cu picioare și roți în provocarea DARPA Subterranean. Apoi vom introduce o metodă on-line pentru a învăța dinamica unui obstacol dinamic necunoscut a priori și pentru a evita în mod robust obstacolul folosind un nou constrângeri de șansă bazate pe riscuri, robuste din punct de vedere distribuțional, derivate din modelul învățat în evoluție. Apoi introducem conceptul de suprafețe de risc pentru a permite învățarea rapidă on-line a perturbațiilor dinamice necunoscute a priori și arătăm cum această abordare poate adapta o dronă la perturbațiile vântului cu doar 45 de secunde de colectare de date on-line.
0:00 Introducere
2:47 SQUID I: Elemente cheie de design
4:00 SQUID II: Stabilizare autonomă bazată pe viziune
6:22 Aplicații de explorare planetară
8:01 PARSEC: Sistem robotic de ancorare a sarcinii utile pentru explorarea stâncilor Motivarea și descrierea sarcinii
8:32 PARSEC: Manipulator aerian
9:23 Interfață de implementare și proiectare a încărcăturii utile
10:06 Arhitectura misiunii pentru desfășurare autonomă
11:39 Dar cum rămâne cu lumea reală?
12:30 Învățare automată și control neliniar al vehiculelor
17:24 Utilizarea modelelor biliniare ridicate învățate pentru MPC neliniar
20:27 Învățarea dinamicii quadrotorului pentru a îmbunătăți urmărirea traiectoriei aproape de sol
21:00 Învățarea dinamicii quadrotorului pentru a îmbunătăți performanța de urmărire a traiectoriei în apropiere de sol
24:00 Planificare sub incertitudine
24:56 Planificare conștientă de risc: Constrângeri de șansă
28:15 Provocarea subterană DARPA
29:05 PAS: Evaluare și planificare Stochastică a Traversabilității
34:07 Evitarea conștientă de risc a ostacolelor dinamice necunoscute
42:54 Învățare robustă bazată pe riscuri a tulburărilor
46:41 Învățare și control introspectiv (LINC)
