Новый подход позволяет учитывать задержку входного сигнала без увеличения вычислительной нагрузки.
Специалисты Центра искусственного интеллекта МГУ имени М. В. Ломоносова создали алгоритм, который делает точнее работу нейросетей для систем управления в основе роботов и летательных аппаратов, особенность которых заключается в получении данных с задержкой. Об этом сообщили ТАСС в пресс-службе вуза.
Учет запаздывающих сигналов, которые могут быть обусловлены сбоями в передаче данных или особенностью датчиков, влияет на точность работы нейросети. Если ИИ-модель не принимает во внимание задержку, ее прогноз может постепенно расходиться с реальным поведением системы.
«Авторы предложили метод, основанный на динамической нейронной сети. В отличие от обычных моделей, которые обучаются заранее и затем работают с неизменными параметрами, такая сеть продолжает уточнять свои параметры прямо во время работы системы. По мере поступления новых данных она корректирует внутренние настройки и улучшает прогноз динамики системы», - сообщили ТАСС в вузе.
Преимущество нового подхода заключается и в том, что он позволяет учитывать задержку входного сигнала без увеличения вычислительной нагрузки.
«Работоспособность метода была проверена на нескольких задачах моделирования. Среди них - геодезическое движение на трехосном эллипсоиде, модель динамики летательного аппарата и задача биомеханики, связанная с моделированием поворота головы. В экспериментах предложенный подход показал более точное воспроизведение динамики систем, где управляющее воздействие поступает с задержкой», - уточнили в МГУ.
ТАСС
Специалисты Центра искусственного интеллекта МГУ имени М. В. Ломоносова создали алгоритм, который делает точнее работу нейросетей для систем управления в основе роботов и летательных аппаратов, особенность которых заключается в получении данных с задержкой. Об этом сообщили ТАСС в пресс-службе вуза.
Учет запаздывающих сигналов, которые могут быть обусловлены сбоями в передаче данных или особенностью датчиков, влияет на точность работы нейросети. Если ИИ-модель не принимает во внимание задержку, ее прогноз может постепенно расходиться с реальным поведением системы.
«Авторы предложили метод, основанный на динамической нейронной сети. В отличие от обычных моделей, которые обучаются заранее и затем работают с неизменными параметрами, такая сеть продолжает уточнять свои параметры прямо во время работы системы. По мере поступления новых данных она корректирует внутренние настройки и улучшает прогноз динамики системы», - сообщили ТАСС в вузе.
Преимущество нового подхода заключается и в том, что он позволяет учитывать задержку входного сигнала без увеличения вычислительной нагрузки.
«Работоспособность метода была проверена на нескольких задачах моделирования. Среди них - геодезическое движение на трехосном эллипсоиде, модель динамики летательного аппарата и задача биомеханики, связанная с моделированием поворота головы. В экспериментах предложенный подход показал более точное воспроизведение динамики систем, где управляющее воздействие поступает с задержкой», - уточнили в МГУ.
ТАСС
