MI Történik?

A NASA-JPL és a Caltech megpróbálták orvosolni az AI útvonaltervező rendszerek használatának problémáját olyan robotoknál, amelyek nem képesek könnyen kilábalni a meghibásodásokból – például azoknál, amelyek más bolygókat fognak felfedezni. „A NASA JPL Mars-analóg létesítményében, a Mars Yard-on végzett hardverkísérletek azt mutatják, hogy megközelítésünk akár 4-szeresére csökkenti a hibaarányt, miközben hozza a tanulásalapú robotmodellek célbaérési teljesítményét azáltal, hogy inference-time számítási kapacitást használ fel további tanítás nélkül” – írják a szerzők. A tanulmány egyik kikötése, hogy az általuk alkalmazott kutatási technika nem működött olyan jól a bázismodellhez képest, ezért nem részletezem túl. Alapvetően egy szabványos látómodellt próbáltak párosítani egy fizika-alapú áthaladhatóság-becslő modellel, amely „fizika-alapú sztochasztikus áthaladhatósági becslést használ a kockázati térképek létrehozásához egocentrikus 2.5D térképekből”, és ezen ellenőrzi a javasolt útvonalakat. Ez a megközelítés működött, de egy egyszerű biztonsági szűrő is bevált, amelyet egy szabványos „NoMaD” látómodellre építettek; ez a szűrő „megszakítja a kimeneti pályát közvetlenül az első bejósolt ütközés előtti útpontnál. Ez a megközelítés garantálja, hogy a létrejövő pálya teljesen a biztonságos határokon belül marad.” A lényeg az, hogy mindkét beavatkozás – az egyszerű biztonsági szűrő és a komplexebb fizikai technika is – rendkívül jól működött: mindkettő 4-szeresére csökkentette a hibaarányt egy egyszerű bázismodellhez képest, a fizika-alapú megközelítés pedig sokkal jobban teljesített, mint a biztonsági szűrő a bonyolultabb környezetekben.