Uczenie maszynowe i trening dla robotów terenowych nowej generacji
Oprócz dziedziny robotyki przemysłowej, która nieustannie rozwija się w błyskawicznym tempie, rośnie zainteresowanie robotami terenowymi, które znajdą zastosowanie w pracach wymagających wykonywania powtarzalnych działań, a także przebywania w niebezpiecznych lub odległych lokalizacjach. Na przykład roboty górnicze mogą mapować zalane korytarze i badać stężenia minerałów, z kolei roboty rolnicze mogą zbierać owoce i doić krowy. Popularyzacja takich rozwiązań wymaga jednak zmniejszenia kosztów produkcji i eksploatacji robotów terenowych, a także poszerzenia ich możliwości i zakresu umiejętności, głównie w obszarach wykrywania, postrzegania oraz kontroli. „Roboty przemysłowe działają w bardziej uporządkowanych środowiskach, takich jak fabryki. Z tego powodu ich projektowanie oraz wykorzystywanie w praktycznych zastosowaniach jest łatwiejsze. Korzystanie z robotów terenowych wymaga od nich umiejętności przystosowania się do nieprzewidywalnych warunków pracy”, wyjaśnia Hugo Silva, koordynator finansowanego ze środków Unii Europejskiej projektu DEEPFIELD. „Choć strategie uczenia głębokiego oparte na danych mogą pomóc w osiągnięciu tego celu, wciąż stawiamy czoła wielu ograniczeniom uniemożliwiającym wykorzystanie tych rozwiązań w przypadku robotów pracujących w rzeczywistych warunkach otoczenia”. Realizacja projektu DEEPFIELD umożliwiła naukowcom na początku kariery z INESC TEC Centre for Robotics and Autonomous Systems – ośrodka zajmującego się robotyką oraz rozwiązaniami autonomicznymi, który pełnił rolę gospodarza projektu – zbadanie szeregu technik uczenia głębokiego w celu zapewnienia robotom terenowym autonomii i zdolności adaptacyjnych niezbędnych do skutecznego działania w trudnych warunkach. Wśród wartych odnotowania sukcesów można wymienić między innymi zaprezentowanie przez naukowców sposobu wykorzystania technik uczenia głębokiego w celu wykrywania odpadów w morzach z przestrzeni kosmicznej przy użyciu hiperspektralnych systemów obrazowania, a także wykorzystanie technik obrazowania, aby umożliwić robotom ustalanie położenia i orientację pod wodą.
Dobór najlepszego algorytmu uczenia głębokiego dla danego zadania
W ramach prac wpisujących się w unijne działania na rzecz cyfrowej przyszłości Europy, zespół projektu DEEPFIELD realizował badania w taki sposób, by umożliwić jego uczestnikom zapoznanie się ze zróżnicowanymi technikami uczenia głębokiego wykorzystywanymi w robotyce w sposób praktyczny. Skupiając się na wybranych zagadnieniach związanych z robotyką, które może rozwiązać zastosowanie uczenia głębokiego, naukowcy gromadzili dane bezpośrednio lub wykorzystując w tym celu środowisko symulacyjne, a następnie przeprowadzali analizy danych oraz doświadczenia oparte na rożnych algorytmach, po czym analizowali zebrane wyniki. „Zakres algorytmów uczenia głębokiego oraz zadań do wykonania był wystarczająco szeroki, aby umożliwić nam poznanie fundamentów różnych rozwiązań umożliwiających budowę adaptowalnych robotów nowej generacji”, wyjaśnia Silva. Przez cały czas naukowcy pracowali z wieloma rodzajami robotów – autonomicznymi samochodami, bezzałogowymi statkami powietrznymi, zdalnie kierowanymi pojazdami podwodnymi oraz autonomicznymi pojazdami podwodnymi. Naukowcy wizytowali także siedziby i ośrodki badawcze członków konsorcjum – Uniwersytetu w Gironie (Hiszpania), Uniwersytetu Heriot-Watt (Szkocja), Instytutu im. Maxa Plancka (Niemcy) i Politechniki Mediolańskiej (Włochy), gdzie były organizowane warsztaty tematyczne, szkoły letnie, krótkie misje naukowe i sesje z mentorami. „Dzięki zrozumieniu podstaw i pracy z ekspertami zajmującymi się badaną dziedziną, byliśmy w stanie testować oprogramowanie oraz algorytmy przy użyciu prawdziwych robotów w ramach szkół letnich”, mówi Ana Paula Lima, kierowniczka projektu. Na przykład Uniwersytet w Gironie skupił się na pracach podwodnych, podczas gdy naukowcy skupili się na opracowywaniu kodu wykorzystywanego przez symulator Stonefish, który został wykorzystany na potrzeby przeprowadzenia prac kontrolnych przy pomocy bezzałogowych i autonomicznych pojazdów podwodnych.
Rozwój robotów terenowych nowej generacji
Dzięki realizacji projektu naukowcy mieli wiele okazji do nawiązywania kontaktów z myślą o rozwoju zawodowym, a instytut INESC TEC miał szansę na rozszerzenie wymiany wiedzy z kluczowymi graczami działającymi w sektorze. Dzięki temu badacze mieli możliwość zaprezentowania rezultatów swoich prac. Podczas wizyty w zlokalizowanej na Svalbardzie arktycznej stacji badawczej NY-Alesund zostały przetestowane dwa roboty INESC TEC, które zaprezentowały osiągnięcia zespołu. „Zachęceni opiniami na temat naszych rozwiązań złożyliśmy kilka tygodni później wniosek do KE z ramienia INESC TEC, obejmujący nowe kontakty nawiązane podczas tej wizyty”, zauważa Lima. Zbudowanie wykwalifikowanego i zmotywowanego zespołu złożonego z młodych badaczy okazało się kluczem do sukcesu dla INESC TEC, umożliwiając realizację dodatkowych projektów obejmujących szereg obszarów, począwszy od obronności i bezpieczeństwa po ochronę środowiska oraz energetykę morską. Dzięki realizacji projektu naukowcy są teraz gotowi do zastosowania swojej nowo zdobytej wiedzy w praktyce.
Słowa kluczowe
DEEPFIELD, algorytm, uczenie maszynowe, roboty, uczenie głębokie, autonomia, dane, podwodne, śmieci
