Una nuova tecnica per migliorare la capacità di apprendimento dei robot che eseguono compiti ripetitivi

5 giugno 2023

Questo articolo è stato rivisto in base al processo editoriale e alle politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo al tempo stesso la credibilità del contenuto:

verificato

correggere le bozze

da Cactus Comunicazioni

Imparare dai propri errori passati non è limitato agli esseri umani. Anche i computer lo fanno. Nelle industrie, ciò avviene tramite sistemi di controllo basati su computer che aiutano a gestire i sistemi di produzione. Per i robot industriali che eseguono compiti specifici in lotti, ad esempio la produzione di abbigliamento, chip per computer o prodotti da forno, la tecnica di controllo più comunemente utilizzata è il controllo dell'apprendimento iterativo (ILC). La maggior parte delle industrie fa ancora affidamento su sistemi ILC che utilizzano una strategia di apprendimento chiamata regola di aggiornamento di tipo proporzionale (PTUR). Questa tecnica migliora le prestazioni dei sistemi ILC ripetendo più e più volte la stessa attività e aggiornando l'input di controllo in base agli errori riscontrati nelle iterazioni precedenti.

Tuttavia, questa metodologia di controllo è stata proposta decenni fa. E poiché i sistemi ILC vengono sempre più adottati per eseguire compiti più complessi, c’è bisogno di tecniche in grado di apprendere più velocemente e con maggiore precisione.

In una recente svolta, un gruppo di scienziati ha proposto una nuova tecnica che utilizza la regola di aggiornamento della potenza frazionaria (FPUR) per migliorare il potenziale prestazionale dei sistemi ILC lineari a ingresso singolo e uscita singola. Lo studio è stato pubblicato sull'IEEE/CAA Journal of Automatica Sinica.

I tassi di convergenza – i tassi ai quali la differenza tra la produzione desiderata e la produzione effettiva diminuisce nel tempo – svolgono un ruolo cruciale nel definire l’efficienza di un sistema ILC. I metodi esistenti per migliorare il tasso di convergenza spesso si rivelano insoddisfacenti in situazioni che richiedono un'elevata precisione. Anche nel caso di guadagni di apprendimento costanti o selezionati manualmente, gli attuali sistemi ILC che utilizzano il metodo di aggiornamento lineare non riescono a sfruttare al meglio le informazioni disponibili. Pertanto, gli scienziati hanno studiato approcci oltre il PTUR, che utilizzavano metodi di aggiornamento non lineare per apprendere e raggiungere il risultato desiderato.

"Il PTUR tradizionale utilizza un termine lineare per l'errore di tracciamento per aggiornare l'input di controllo. D'altra parte, FPUR utilizza un termine frazionario per l'aggiornamento. Poiché qualsiasi numero positivo inferiore a uno ha un potere frazionario maggiore di se stesso, l'intensità di aggiornamento di FPUR è maggiore di quello del PTUR per piccoli errori di tracciamento, portando a un tasso di convergenza più rapido", spiega Zihan Li, autore principale dello studio e studente di master presso la Scuola di Matematica dell'Università Renmin della Cina.

Il team ha sviluppato un nuovo metodo FPUR ispirato alle più recenti strategie di controllo a tempo finito (FTC) e di controllo della modalità di scorrimento terminale (TSMC), che sono potenziali tecniche per superare i problemi menzionati in precedenza e per migliorare la velocità di convergenza. Gli scienziati hanno inoltre adottato un approccio di mappatura non lineare per esplorare le dinamiche degli errori nel tempo. Questo approccio ha consentito loro di segnalare le prestazioni di convergenza rapida e di caratterizzare i possibili cicli limite degli errori di tracciamento nei sistemi ILC. Inoltre, sono state eseguite anche simulazioni numeriche per validare l’efficacia del nuovo metodo.