Llegando a una era de autos sin conductor

En una era de autos sin conductor, robots industriales y sistemas inteligentes que ayudan a los humanos en una variedad de situaciones, el tiempo y los recursos computacionales son activos valiosos.

Se requiere que estos sistemas reaccionen rápidamente a las circunstancias en un entorno cambiante y en condiciones en las que falta información (es decir, condiciones de incertidumbre).

Además, las restricciones económicas limitan la complejidad de elementos como el hardware, y los sistemas deben ser lo suficientemente baratos para que los consumidores potenciales estén dispuestos a pagar por ellos.

El estudio fue encabezado por el profesor Vadim Indelman, y Khen Elimelech.

“Demostramos que podemos reducir significativamente el tiempo de cómputo, sin perjudicar la ejecución exitosa de la tarea”, explicaron los investigadores.

“También demostramos que los esfuerzos de cómputo se pueden reducir aún más si aceptamos una cierta pérdida en el rendimiento, pérdida que nuestro enfoque puede evaluar en línea.

En una era de autos sin conductor y otros robots, este es un enfoque que probablemente permita la toma de decisiones autónomas en línea en escenarios desafiantes, reduzca los tiempos de respuesta y logre ahorros considerables en el costo del hardware y otros recursos”.

La investigación del Prof. Indelman trata sobre la toma de decisiones autónoma bajo incertidumbre, un problema fundamental en la IA y la robótica.

Esta capacidad es particularmente esencial para los agentes autónomos que deben desempeñarse de manera autónoma y confiable a lo largo del tiempo, en condiciones de incertidumbre y en un entorno cambiante.

Además, en muchos casos el agente no tiene acceso directo a las variables de estado del problema y funciona en base a una distribución de probabilidad o “creencia”.

Esta creencia refleja el conocimiento que el agente posee sobre sí mismo y su entorno, basado en modelos probabilísticos, acciones realizadas y mediciones obtenidas de sus sensores.

Resolver este problema (es decir, calcular todo el conjunto de acciones óptimas necesarias para lograr la meta) requiere que las acciones potenciales se evalúen bajo una función de recompensa o costo, como la distancia a la meta o una medida de «incertidumbre».

Según los investigadores, este desafío requiere la predicción de cómo se desarrollará la “creencia” en el futuro para diferentes acciones posibles, mientras se predicen diferentes escenarios del futuro.

Como resultado, la toma de decisiones en estas condiciones es costosa computacionalmente, lo que desafía la acción autónoma de agentes inteligentes en tiempo real.

Además, en problemas con numerosas variables de estado (por ejemplo, cuando el entorno cambia o no se conoce de antemano), el desafío computacional es aún mayor.

Todo lo anterior va acompañado de consideraciones económicas, limitaciones de tiempo y tiempo de cómputo, que obligan a reducir los recursos computacionales necesarios, por lo que la simplificación de la toma de decisiones bajo problemas de incertidumbre es un objetivo importante en estas direcciones de investigación.

El grupo de investigación del Prof. Indelman se refiere a todos estos aspectos en el desarrollo de enfoques de simplificación, que permiten resolver estos problemas de una manera más eficiente computacionalmente, por ejemplo, a través de la dispersión de matrices.

Fundamentalmente, estos enfoques van acompañados de garantías de desempeño que cuantifican la degradación del desempeño en el peor de los casos como resultado del proceso de simplificación; tales garantías son de importancia clave en aplicaciones críticas para la seguridad, como la conducción autónoma. conducción autónoma.

Los hallazgos de los investigadores sientan las bases para resolver problemas de toma de decisiones a través de la simplificación y demuestran que estos enfoques pueden generar ahorros considerables en los tiempos de cálculo, sin pérdidas significativas en términos de resultados.

Fuente: LatamIsrael