Nieuwe machine learning methode maakt robots veiliger

Het Institute of Science and Technology Austria (IST Austria) en de Max Planck Institute for Intelligent Systems (MPI for Intelligent Systems) hebben een nieuwe machine learning methode ontwikkeld dat robots veiliger kan maken. De nieuwe methode biedt eenvoudigere en meer intuïtieve modellen van fysieke situaties.

Het is essentieel om te begrijpen hoe een robot onder verschillende omstandigheden zal reageren om de veilige werking ervan te garanderen. Maar hoe weet je wat een robot zal beschadigen zonder het daadwerkelijk ook echt te beschadigen? Een nieuwe methode is de eerste machine learning methode die observaties kan gebruiken die onder veilige omstandigheden zijn gemaakt om nauwkeurige voorspellingen te doen voor alle mogelijke omstandigheden. De methode is ontworpen voor situaties in de praktijk en biedt eenvoudige, interpreteerbare beschrijvingen van de onderliggende fysica. De nieuwe methode is dit jaar gepresenteerd tijdens de International Conference for Machine Learning (ICML).

Ongeziene situaties

In het verleden was machine learning alleen in staat om data te interpoleren en zo situaties te voorspellen uit een database van bekende situaties. Het was niet in staat om voorspellingen te extrapoleren, ofwel voorspellingen te doen over situaties buiten het bekende. De nieuwe methode kan dat wel en kan zo ongeziene situaties voorspellen. Het belangrijkste kenmerk van de methode is dat het ernaar streeft om de ware dynamiek van de situatie te onthullen: met behulp van data retourneert het vergelijkingen die de onderliggende fysica beschrijven. Met deze vergelijkingen kun je zeggen wat er in alle situaties zal gebeuren, zelfs als je ze niet hebt gezien. De methode van het team onderscheidt zich ook op verschillende andere manieren. De uiteindelijke benaderingen die eerder werden geproduceerd tijdens machine learning waren veel te complex voor een mens om te begrijpen of om mee te werken. In de nieuwe methode zijn de resulterende vergelijkingen veel eenvoudiger. Hoewel robots één actief onderzoeksgebied zijn, kan de methode worden gebruikt met elk type data, van biologische systemen tot röntgenstralingssystemen, en kan deze ook worden opgenomen in grotere machine learning-netwerken.