Insegnare ai robot a migliorare i controlli dei sistemi di volo e altre applicazioni che richiedono risposte rapide
Gli aerei commerciali possono essere controllati dall’autopilota. Ma cosa succede se un’ala viene danneggiata o un motore presenta un guasto? È possibile progettare un sistema software con un ciclo di feedback, ovvero un sistema che testa rapidamente come i controlli operano sul veicolo danneggiato e apporta modifiche in tempo reale per offrire la migliore possibilità di atterraggio in sicurezza?
Un team di ricerca di Princeton, dell’Università del Texas e della Northeastern University sta lavorando per aprire la strada alla creazione di un tale sistema. La ricerca di base che il team sta svolgendo potrebbe estendersi in futuro ai controlli degli aeromobili e molte altre applicazioni, inclusi il controllo delle epidemie di malattie o la formulazione di previsioni più accurate sulla variazione climatica o la sopravvivenza delle specie, ha dichiarato Amir Ali Ahmadi, professore di operazioni di ricerca e ingegneria finanziaria a Princeton e membro del team di ricerca.
L’obiettivo è esercitare misure di controllo su un “sistema dinamico”, ovvero un sistema che cambia man mano che si muove. La maggior parte dei sistemi dinamici è notoriamente difficile da prevedere e gestire. Ahmadi, insieme ai colleghi Charles Fefferman, Herbert E. Jones, Jr. ’43 University Professor di matematica, e Clarence Rowley, Sin-I Cheng Professor in Scienze dell’Ingegneria, sta cercando di progettare algoritmi in grado di apprendere il comportamento dei sistemi dinamici dai dati.
“Il sistema dinamico è qualsiasi entità in uno spazio che evolve nel tempo”, ha detto Ahmadi. “Quindi, un aeroplano è un sistema dinamico; un robot è un sistema dinamico; la diffusione di un virus è un sistema dinamico”.
Ottenere il controllo è particolarmente difficile quando i dati sono limitati, ha detto Ahmadi. Nel caso di un aeromobile danneggiato, “l’aereo è cambiato e hai meno di un minuto per creare un nuovo modello di controllo”, ha detto.
Prevedere le prestazioni future basate su dati estremamente scarsi è un problema comune. È difficile raccomandare la migliore risposta ad un’epidemia di malattia, ad esempio, quando si sa poco sulla diffusione della malattia.
In un recente articolo nella SIAM Review, il team di ricerca di Ahmadi ha presentato un approccio che utilizza informazioni aggiuntive per rispondere rapidamente alle condizioni mutevoli in cui sono disponibili pochi dati per la presa di decisioni. Queste informazioni aggiuntive, che i matematici chiamano informazioni laterali, agiscono allo stesso modo di esperienza o competenze professionali per una persona. Ad esempio, un medico potrebbe non aver mai visto una particolare malattia prima, ma anni di esperienza gli permetteranno di fare una buona valutazione su come trattare il paziente.
“È di questo che si tratta l’intero progetto”, ha detto Ahmadi. “Si tratta di imparare un sistema da pochi dati e controllarlo alla fine in modo desiderato”.
Obiettivi a lungo termine, come i controlli degli aeromobili, rientrano fuori dal campo di applicazione del progetto immediato. Piuttosto, il lavoro iniziato con la sovvenzione dell’Air Force si concentra su esempi molto più semplici nella speranza di imparare di più sul controllo di un sistema pieno di incognite.
“Nella teoria del controllo standard, comprendi cosa fanno i controlli. Stiamo cercando di creare una versione più potente di quella teoria in cui non sai cosa fanno i controlli, ma impari applicandoli”, ha detto Fefferman. Sta lavorando con Rowley su sottoproblemi relativamente semplici dei sistemi dinamici, ad esempio provando a fermare
In Other News Around the World: