Robots con habilidades de toma de decisiones espontáneas

[ad_1]

Investigadores de la Universidad de Illinois Urbana-Champaign han desarrollado un enfoque novedoso que permitirá a los robots en los cuerpos celestes decidir de forma autónoma sobre los métodos y ubicaciones de muestreo.

El modelo de proceso gaussiano profundo propuesto se entrena en la base de datos fuera de línea utilizando un metaaprendizaje profundo con brechas de aprovisionamiento controladas, dividiendo repetidamente el conjunto de entrenamiento en entrenamiento medio y entrenamiento del kernel, y aprendiendo los parámetros del kernel para minimizar los residuos de los modelos medios. Durante la implementación, el responsable de la toma de decisiones utiliza el modelo entrenado y lo adapta a los datos recopilados en línea. Crédito de la foto: Departamento de Ingeniería Aeroespacial de la Universidad de Illinois

Los rovers de Marte dependen de la guía humana desde la Tierra, mientras que las misiones de aterrizaje en las lunas de Saturno o Júpiter no permiten comunicaciones en tiempo real debido a las largas distancias involucradas.

Investigadores de los Departamentos de Ingeniería Aeroespacial y Ciencias de la Computación de la Universidad de Illinois Urbana-Champaign han desarrollado un enfoque innovador para el aprendizaje. Esto permite que los robots en los cuerpos celestes tomen decisiones autónomas para determinar los métodos y ubicaciones óptimos para recolectar muestras del terreno. Los investigadores han adoptado un enfoque único que permite a los aterrizadores aprender rápidamente a recoger nuevos materiales y adaptarse a paisajes y propiedades cambiantes.

Los investigadores explicaron que los robots que utilizan este método aprenden rápidamente a extraer nuevos materiales con una experimentación mínima. Ajustan su estrategia cuando hacen intentos fallidos y se mueven a otras áreas para dibujar. Comprender mundos marinos como Europa es un desafío debido al conocimiento limitado. La resolución de las imágenes disponibles debe mejorarse para discernir las características del terreno. El equipo ha destacado la incertidumbre sobre la superficie de Europa y lo que se encuentra debajo del hielo. En algunos intentos, el equipo ocultó material debajo de otra capa. El robot, al percibir la capa superior como paleable, aprende algo diferente cuando golpea la capa inferior no paleable, incitándola a moverse.

Entre otros factores específicos de la misión, la NASA otorga gran importancia al envío de rovers a batería a Europa para minimizar el riesgo de contaminar el entorno marino con sustancias potencialmente peligrosas. Con la energía nuclear que dura meses y las baterías solo 20 días, el intercambio de mensajes diarios se vuelve poco práctico. Así, la autonomía del robot se vuelve fundamental para una toma de decisiones eficiente. El método de aprendizaje único utiliza la visión y poca experiencia para una creación superior. El robot del equipo de Illinois recopila datos sobre diversos materiales y acumula 6700 puntos en una base de conocimientos de 100 puntos para 67 terrenos. El modelo del equipo se desplegará en el banco de pruebas de autonomía Ocean World Lander del Laboratorio de Propulsión a Chorro de la NASA.

La importancia radica en la transferencia de conocimientos y métodos adaptativos desde la Tierra a cuerpos extraterrestres. La información previa al aterrizaje limitada y la vida útil corta de la batería requieren un aprendizaje y una toma de decisiones autónomos y rápidos, ya que la vida útil del módulo de aterrizaje puede ser corta.

Referencia: Yifan Zhu et al., Adaptación de pocos disparos para manipular materiales granulares bajo cambio de dominio, Robótica: Ciencia y Sistemas XIX (2023). DOI: 10.15607/RSS.2023.XIX.048 www.roboticsproceedings.org/rss19/p048.html

[ad_2]

Si quieres conocer otros artículos parecidos a Robots con habilidades de toma de decisiones espontáneas puedes visitar la categoría Electrónica.

Deja una respuesta Cancelar la respuesta