ABD Deniz Araştırma Laboratuvarı (NRL), Takviye-Öğrenme (RL) tarafından başarılı Test Testi’ni duyurdu. robot uzayda uçuş, bir ‘Astrobee’ Sıfır yerçekimi robotu, Uluslararası Uzay İstasyonu.
A’ya göre ifade sağlanan Bilgilendirme27 Mayıs’ta ISS’de yapıldı.thile Astrobee Robot İnsan yardımına ihtiyaç duymadan beş dakikalık bir süre boyunca istasyonuyla başarılı bir şekilde yerinden çıkma, manevra ve daha sonra yeniden düşme.
Arı alanı olarak bilinen projenin arkasındaki bilimsel ekip (uzaylı Planlama Meclis Montajı Takviye-Öğrenme Serbest Flyer), Doğrudan insan kontrolü olmadan karmaşık görevleri yerine getirmeyi robotlara öğretmek için RL kullanmanın, büyük bir araya gelme gibi bilim adamlarına benzersiz yetenekler sunabileceğine inanıyor uzay teleskopları veya gelecek güneş enerjisi ışınlama istasyonlar.
NRL bilgisayar araştırma bilimcisi Kenneth Stewart, “Bu araştırma önemlidir, çünkü bilgimize göre, takviye öğrenme algoritmalarını kullanarak uzaydaki ilk otonom robotik kontrolü işaret ediyor” dedi. “Bu atılımın uzay uygulamaları için bu algoritmalara güven duyacağına ve bu araştırmanın genişletilmesine daha fazla ilgi duyacağına inanıyoruz.”
NRL ekibi, başarılı testin robot öğretme olasılığını da açtığını söyledi. özerk bir şekilde çalışın diğer ortamlarda, askeri personele kritik bir taktik avantajı sağlamak.
NRL Robotik ve Otonom Sistemler Kıdemli Bilim Adamları Glen Henshaw, Ph.D. “Takviye öğrenimi, alanlardan, uzaydan yere ve gemilerden su altına kadar robotları kontrol etme esnekliği ve potansiyel sağlar” diye açıkladı.
https://www.youtube.com/watch?v=ieuavk1nnp0
Simüle edilmiş sıfır yerçekimi robotları
Çoğu uzay robotik uygulamalarında, bir denetleyici robotun hareketlerini komuta etmek ve kontrol etmek için teleoperasyon kullanır – mekanik bir cihazın uzaktan kumandasıdır. Örneğin, Mars’taki Rovers, daha sonra bu özel talimatlara dayanarak yürüttükleri Dünya tabanlı operatörlerden sürüş talimatları alır.
Her ne kadar mühendisler giderek daha fazla yapay zekayı dünyadaki robotik sistemlere dahil etseler de, yeni başarının arkasındaki ekip, uzayda faaliyet göstermenin karmaşıklığının şimdiye kadar benzer AI sistemlerinin benimsenmesini sınırladığını belirtiyor.
Stewart, “Uzay robotları şu anda uzayda ne kadar karmaşık özerkliğin olduğu konusunda erken aşamalarda” dedi. “Bu, insanlar tarafından teleoperasyonun hala kritik görevlerin normu olduğu riskten kaçınma bir ortam.”
Ekip ayrıca, yüksek maliyet nedeniyle uzayda otonom sistemleri test etmedeki zorluğu vurguladı ve “kişi sadece eğitim için uzaya gerçekçi bir robot gönderemez”.
Sonuç olarak, bu alandaki araştırmacılar, uzayda gerçek bir dünya sistemi kullanmadan önce Dünya tabanlı simülasyonlara güvenmelidir. Ne yazık ki, simülasyon ve gerçeklik arasındaki boşluk genellikle bu çabaları engelleyebilir.
“Sim-toal” boşluğu olarak adlandırdıklarını köprülemeyi umarak, NRL ekibi, son derece doğru simüle edilmiş bir sıfır-gravity robot platformu oluşturmak için takviye öğrenme algoritmaları ve güçlü simülasyon araçlarını kullandı. Çoğu operatöre yönelik robotikten farklı olarak, RL robotu genel bir görev ve tamamlamak için vaat edilen bir ödül sağlar, ancak robota nasıl gideceğini söylemez. Bunun yerine, RL tarafından eğitilmiş bir robot, doğru yaklaşımı bulmadan önce farklı yaklaşımları test etmek ve ortadan kaldırmak için bir deneme yanılma işlemi kullanır.
NRL’nin bilgisayar araştırma bilimcisi Roxana Leontie, “Robotik kontrole en son bir yaklaşım olan takviye öğrenimi konusunda uzmanlaşıyoruz” dedi.
Sıfır yerçekimi robot uygulamaları için ekip, derin takviye öğrenme yöntemi olan Proksimal Politika Optimizasyonu algoritmasını kullandı. Stewart, bu yaklaşımda bir ‘aktör ağının’ robotu manevra gibi eylemler yapmak için nasıl eğittiğini, ayrı bir ‘eleştirmen ağı’ performansını değerlendirdiğini açıkladı. Araştırmacı, iki ağ birlikte “3D, sıfır yerçekimi ortamında etkili bir şekilde hareket etmek için robotu verimli bir şekilde eğitiyor” diye açıkladı.
Simüle edilmiş Astrobee’yi eğitmek için ISS’de çevrenin simüle edilmiş bir versiyonunu oluşturmak için NRL ekibi, uzay istasyonunun sıfır mezar ortamını simüle edebilen son derece doğru bir fizik simülatörü olan NVIDIA’nın Omniverse’i kullandı. Ekip ayrıca, atanan görevin karmaşıklığını kademeli olarak artırmadan önce robotu basitleştirilmiş ortamlarda eğitmeye başlayan müfredat öğrenimi kullandı.
Örneğin, ekip başlangıçta simüle edilmiş Astrobee sıfır-yerçekimi robotunu uzayda tek, sabit bir konuma taşıyarak görevlendirdi. Daha sonra ekip, robotu gerçek dünya testine ihtiyaç duymadan daha fazla varyasyona uyum sağlamaya hazırlamak için zamanla randomizasyon seviyelerini artırdı. Stewart, bu ilerici eğitim yaklaşımının “’sim’den gerçekte’ boşluğun köprülenmesine büyük ölçüde yardımcı olduğunu” söyledi.
Uzayda test
Simüle edilmiş robot eğitimlerinin ISS’de sıfır yerçekimi robotlarına dönüşüp dönüşmeyeceğini doğrulamak için ekip, Astrobees’ten birinin mevcut olduğu beş dakikalık bir operasyon penceresinden yararlandı. ISS’yi kapalı, kanallı fanlarla gezen küçük robot da birden fazla kamera ile donatılmış olduğundan, RL eğitimini test etmek için ideal olarak kabul edildi.
Henshaw, “Uzay robotu deneyleri için bir platform olarak hareket etmenin yanı sıra, bu voleybol büyüklüğündeki robotlar, NASA görev kontrolünün sabit kameralardan yoksun alanlarda esnek kamera görünümleri sağlanmasına yardımcı olabilir” dedi. “Bu, zemin ekiplerinin astronot müdahalesine ihtiyaç duymadan, değerli mürettebat zamanını serbest bırakarak ekipmanı uzaktan denetlemelerine veya izlemelerini izlemelerine izin veriyor.”
NRL tarafından yayınlanan bir videoda, RL tarafından eğitilmiş algoritma ile yüklenen bir astrobee, rıhtımını terk ederek, bir manevrayı tamamlarken ve daha sonra operatör müdahalesi olmadan rıhtımına geri döndüğü görülebilir. Bir kamera aksaklığı nedeniyle, ekip Astrobee’nin yeniden düzenlenmesine tanık olamadı. Bununla birlikte, video beslemesi yeniden başladığında, sıfır yerçekimi robotunun beş dakikalık görevini başarıyla tamamladığını ve yerleştirme istasyonuna geri döndüğünü gördüler.
https://www.youtube.com/watch?v=aluhg2wm2ca
Leontie, “Deneyimiz önemli bir kilometre taşını işaret etti: takviye öğreniminin uzayda serbest uçan bir robota ilk başarılı uygulaması” dedi. “Bu, yörünge varlıklarının muazzam maliyetinin genellikle en son teknolojilerin benimsenmesini engellediği yüksek riskten kaçınma uzay ortamında kritiktir.”
Uzay Bilimi için RL tabanlı robot özerkliğinin uygulamaları
Test diğer robotik görevlere kıyasla nispeten kısa olmasına rağmen, NRL uzay robotist Samantha Chapin, Ph.D. Araştırmacı ayrıca başarıyı “dönüştürücü” olarak nitelendirdi, çünkü ekibin son derece karmaşık otonom robotik davranışları uygulama yeteneğini doğruladı, “yörüngedeki gelişmiş robotik operasyonların ve hizmetlerin yeni bir dönemini kaldırdı”.
Leonite, bu gösteriyi tamamlayarak ekibin, özerk robotları gelecekteki uzay görevlerine dahil etmek için görev planlayıcısı güvenini artırmaya yönelik “önemli bir adım” attığını belirtti.
Araştırmacı, “Bu başarı, RL’nin gelecekteki uzay uygulamalarına entegrasyonunu hızlandırmak için hayati önem taşıyor ve sonuçta daha karmaşık ve uyarlanabilir robotik misyonlar sağlıyor” dedi.
RL robot eğitim yaklaşımının potansiyel uygulamalarını bir astrobee kontrol etmenin ötesinde tartışırken, Chapin derin uzay araştırmaları ve büyük ölçekli inşaatı içeren gelecekteki projelerin “acilen daha yüksek robotik özerkliğe ihtiyacı var” dedi.
Araştırmacı, “Serbest uçan robotların uzay içi montaj ve hizmette hedefi, dağıtım hatalarını yakıt ikmali veya düzeltmek gibi hızlı, çoklu katliam işlemlerini mümkün kılmaktır” dedi. “Jeosenkron uyduların (RSGS) projesinin robotik hizmeti gibi mevcut çabalar, büyük ölçüde rendezvous ve yakınlık operasyonları için sınırlı özerkliğe sahip komut dosyalarına güvenirken, yüksek hızlı, temas yoğun doğaları nedeniyle, araştırmamız tam özerk yetenekler için zorlanıyor.”
Modern savaşçı için çeşitli alanları fethetmek
Arıhane sisteminin başarılı testi uzayda meydana gelse de, NRL ekibi teknolojinin ekibin robotik platformları yeni görevlere ve ortamlara “hızla uyarlamasına” izin vereceğini söyledi. Henshaw’a göre, ekip zaten “karasal, denizcilik ve denizaltı ortamlarını” modellemek için araçlar geliştiriyor.
Araştırmacı, “Arıhane ekibinin takviye öğreniminin otonom sistemlerin yörüngede etkili bir şekilde çalışmasını sağladığı gösterisi, teknolojinin uygulanabilirliğini kanıtlıyor ve potansiyelini çeşitli alanlardaki kilidini açıyor” dedi.
Henshaw’un sunulan bir örneği, bir ortamın bilgisayar modeli inşa etmeyi ve bu ortamda “bir saatin altında” çalışması için bir robotu yeniden eğitmeyi ve konumun sadece birkaç taramasını içeriyordu. Bu yeteneğin “sahadaki savaşçıların yeni görevleri ve ortamları tanımlamasına ve daha sonra bu sorunları çözmek için robot treninin kendisine sahip olmasına izin vereceğini” de sözlerine ekledi.
Henshaw, “Vizyonumuz, savaşçıları robotları talep üzerine herhangi bir çevreye ve herhangi bir göreve uyarlama gücü ile donatmak” dedi. “Takviye öğrenimi, alanlar arasında, uzaydan yere ve gemilerden su altına kadar robotları kontrol etme esnekliği ve potansiyeli sağlar.”
Christopher Plain, Debrief’te bir bilim kurgu ve fantezi romancı ve baş bilimi yazarıdır. Onu takip edin ve onunla bağlantı kur X– Kitapları hakkında bilgi edinin plainfiction.comveya doğrudan ona e -posta gönderin [email protected].
