Estabilización de la Convergencia de Controladores de Inferencia Activa Profunda Basados en Píxeles Utilizando...

Área de la Ciencia:

• Robótica
• Inteligencia Artificial
• Neurociencia Computacional

Sus antecedentes:

• La inferencia activa se utiliza cada vez más para el control robótico debido a su adaptabilidad ambiental.
• Los controladores de inferencia activa convencionales que utilizan el descenso de gradiente corren el riesgo de converger a soluciones subóptimas (mínimos locales).

Objetivo del estudio:

• Proponer un enfoque novedoso que utiliza un filtro de suavizado para mitigar los mínimos locales en los controladores de inferencia activa basados en píxeles.
• Mejorar el rendimiento de la convergencia y la robustez de la inferencia activa en el control robótico.

Principales métodos:

• Se aplicó un filtro de suavizado a los valores observados, predichos y objetivo dentro del marco de inferencia activa.
• La intensidad de suavizado se ajustó dinámicamente en función de los errores de predicción y objetivo para equilibrar el suavizado y la información de gradiente.
• El método se evaluó en simulación utilizando tareas de seguimiento de objetos y control de brazos robóticos.

Principales resultados:

• El enfoque de filtro de suavizado propuesto demostró un rendimiento de convergencia mejorado en comparación con los controladores de inferencia activa convencionales.
• El ajuste dinámico de la intensidad de suavizado evitó la pérdida de información de gradiente esencial.

Conclusiones:

• El suavizado de los controladores de inferencia activa basados en píxeles reduce eficazmente el riesgo de mínimos locales.
• El método propuesto ofrece un enfoque más fiable y eficiente para aplicaciones de control robótico que utilizan inferencia activa.