В МГУ повысили точность нейросетей для роботов и дронов

Во многих системах управляющий сигнал доходит до объекта с задержкой — это мешает точно прогнозировать динамику. Ученые МГУ разработали метод обучения нейросетей, который учитывает такие задержки и сохраняет устойчивость модели в реальном времени.

Нейросеть учитывает задержку сигнала и сохраняет устойчивость в реальном времени

Источник: Magnific

Исследователи Центра искусственного интеллекта Московского государственного университета имени М. В. Ломоносова разработали метод обучения нейронных сетей, который позволяет моделировать и прогнозировать системы с задержкой управляющего воздействия. Такие ситуации возникают при управлении летательными аппаратами, в робототехнике и биомеханических моделях.

Во многих технических и биомеханических системах сигнал достигает объекта не мгновенно — задержка возникает из-за работы датчиков, передачи данных или особенностей механизма. Если модель не учитывает задержку, прогноз расходится с реальностью. Авторы предложили метод на основе динамической нейронной сети. В отличие от обычных моделей, которые обучаются заранее и работают с неизменными параметрами, такая сеть уточняет свои настройки прямо во время работы системы.

Во многих динамических системах управляющее воздействие действует на объект с задержкой, и именно это делает задачу обучения моделей значительно сложнее. Предложенный нами подход позволяет обучать нейронную сеть прямо во время работы системы и при этом сохранять устойчивость модели

Владислав Кибкало

старший научный сотрудник центра ИИ МГУ

Чтобы обеспечить устойчивость обучения, исследователи ввели специальную процедуру ограничения параметров сети. Она основана на механизме гладкой проекции параметров на эллипсоиды — это удерживает параметры модели в контролируемых границах и предотвращает нестабильность. Теоретическое обоснование метода опирается на функционалы Ляпунова—Красовского — математический аппарат для анализа устойчивости динамических систем. Авторы показали, что ошибка обучения остается ограниченной даже при задержке сигнала.

Метод не требует увеличения размерности модели, в отличие от существующих подходов, где приходится вводить дополнительные переменные. Работоспособность подтвердили на нескольких задачах: геодезическое движение на трехосном эллипсоиде, модель динамики летательного аппарата и моделирование поворота головы. Везде предложенный подход показал более точное воспроизведение динамики. Результаты опубликованы в журнале IEEE Access.

Ранее Наука Mail писала о том, что в России научили нейросеть прогнозировать события на видео.