MIT 研發 AI 新方法，協助自主飛行與駕駛
近期，麻省理工學院的研究人員利用新開發的機器學習技術，成功解決自主飛行和自駕駛中所面臨的「穩定避障」問題。
挑戰：「穩定避障」問題
「穩定避障」問題是自主飛行和自駕駛車輛所面臨的挑戰之一。解決這個問題需要同時穩定飛行或行駛行程以及避開一些潛在的障礙物，這兩個目標之間經常存在相互衝突的情況。而現存的大多數人工智慧方法都無法克服這種挑戰，因此無法確保車輛能夠安全抵達目的地。
突破：新技術
然而麻省理工學院的研究人員利用了新開發的機器學習技術，成功解決了這個問題。他們將問題分成兩個步驟：首先他們將問題轉化為一個受約束最佳化問題，透過解決此問題，使車輛能夠到達目標位置，並保持在一定的區域內穩定。為了確保車輛避開障礙物，他們使其應用特定的約束條件。其次他們透過將這種受限最佳化問題重新轉換為稱為「上凸殼形式」的數學表述，並使用基於深度強化學習算法的方法進行求解。透過這種方法，研究人員在確保安全的同時實現了穩定執行的十倍提升，使車輛在避開障礙物的同時能夠穩定地到達目標區域。
成功實驗與應用前景
研究人員使用這種新技術在模擬環境下進行多個控制實驗。例如，在某些情況下，這種自主飛行代理需要穩定飛行到目標區域，同時避開即將撞上它的障礙物，並進行快速轉彎等艱巨操作。透過與多種基準系統進行比較，新技術是唯一一個在確保安全的同時實現了所有軌跡的穩定執行。
未來，這種技術可能成為高度動態機器人的控制器設計的起點，並且達到安全和穩定要求，例如自動投遞無人機等。另外該技術也可作為更大系統的一部分實施，例如當汽車在雪地上打滑時，觸發此算法協助駕駛者安全地恢復穩定行駛軌跡。而在一些類似電影《壯志凌雲：獨行俠》的極端情況下，這種算法的好處就更明顯了，因為它可以協助機器人完成人類無法完成的任務。
展望未來
研究人員還希望提高他們的技術，在處理最佳化問題時能夠更好地考慮不確保性。另外他們還想探究當部署到硬體上時，該算法的效能如何，因為模型與現實世界的動態模式存在不匹配。
麻省理工學院的這項研究成果被刊登在 arXiv 上。研究人員表示此技術可以成為開發高度動態機器人控制器的一個基礎，將能實現強化學習的安全性和穩定性，從而爲實現具有使命關鍵系統的控制器提供保證。
