Le nouvel algorithme détecte et corrige les défauts des systèmes autonomes, des équipes de drones aux réseaux électriques

De los angeles prévention des collisions de véhicules aux systèmes de planification des compagnies aériennes en passant par les réseaux d’alimentation électrique, de nombreux products and services sur lesquels nous comptons sont gérés par des ordinateurs. À mesure que ces systèmes autonomes deviennent plus complexes et omniprésents, les risques de défaillance peuvent également augmenter.

Aujourd’hui, les ingénieurs du MIT ont développé une approche qui peut être associée à n’importe quel système autonome, pour identifier rapidement un ensemble de défaillances potentielles de ce système avant de les déployer dans le monde réel. De plus, cette approche peut trouver des correctifs aux pannes et suggérer des correctifs pour éviter les pannes du système.

L’équipe a montré que cette approche peut éliminer les dysfonctionnements de divers systèmes autonomes simulés, notamment un petit et grand réseau électrique, un système anticollision d’avion, une équipe de drones de sauvetage et un manipulateur robotique. Dans chacun des systèmes, los angeles nouvelle approche, sous los angeles forme d’un algorithme d’échantillonnage automatisé, identifie rapidement un ensemble de pannes potentielles ainsi que des correctifs pour éviter ces pannes.

Le nouvel algorithme adopte une approche différente des autres recherches automatisées, conçues pour détecter les pannes système les plus graves. L’équipe affirme que ces méthodes peuvent manquer des vulnérabilités plus subtiles, bien que significatives, que le nouvel algorithme peut détecter.

“En réalité, tout un chaos peut arriver à ces systèmes plus complexes”, explique Charles Dawson, étudiant diplômé au Département d’aéronautique et d’astronautique du MIT. “Nous voulons pouvoir faire confiance à ces systèmes pour pouvoir conduire ou piloter un avion ou gérer un réseau électrique. Il est vraiment necessary de connaître leurs limites et dans quels cas ils sont susceptibles de tomber en panne.”

Dawson et Zhuzhou Fan, professeur adjoint d’aéronautique et d’astronautique au MIT, présentent leurs travaux cette semaine à los angeles System Finding out Convention à Atlanta.

Sensibilité envers les adversaires

En 2021, une panne majeure du système au Texas a fait réfléchir Fan et Dawson. En février de los angeles même année, des tempêtes hivernales ont balayé l’État, entraînant des températures froides inattendues qui ont entraîné des pannes du réseau électrique. L. a. crise a laissé plus de 4,5 tens of millions de foyers et d’entreprises sans électricité pendant plusieurs jours. L’effondrement du système a conduit à los angeles pire crise énergétique de l’histoire du Texas.

« Il s’agissait d’un échec très necessary, ce qui m’a amené à me demander si nous aurions pu le prédire à l’avance », explique Dawson. « Pouvons-nous utiliser nos connaissances de los angeles body du réseau électrique pour comprendre où pourraient se situer ses vulnérabilités, puis cibler les mises à niveau et les correctifs logiciels pour renforcer ces vulnérabilités avant que quelque selected de catastrophique ne se produise ?

Les travaux de Dawson et Fan se concentrent sur les systèmes robotiques et sur los angeles recherche de moyens de les rendre plus flexibles dans leur environnement. Motivés en partie par los angeles crise énergétique au Texas, ils ont décidé d’élargir leur champ d’motion, en détectant et en corrigeant les pannes d’autres systèmes autonomes plus complexes et à grande échelle. Pour ce faire, ils ont réalisé qu’ils devraient changer l’approche traditionnelle de détection des échecs.

Les concepteurs testent souvent l’intégrité des systèmes autonomes en identifiant les états de défaillance les plus probables et les plus opinions. Ils commencent par une simulation informatique du système qui représente los angeles body sous-jacente et toutes les variables pouvant affecter le comportement du système. Ils exécutent ensuite los angeles simulation à l’aide d’un sort d’algorithme qui met en œuvre une « optimisation contradictoire » – une approche qui améliore automatiquement le pire des cas en apportant de petites changes au système, encore et encore, jusqu’à ce qu’il puisse affiner les changements associés à les échecs les plus graves.

“En condensant tous ces changements dans l’échec le plus grave ou le plus possible, vous perdez une grande partie de los angeles complexité des comportements que vous pouvez observer”, souligne Dawson. “Au lieu de cela, nous voulions donner los angeles priorité à l’id d’une variété d’échecs.”

Pour ce faire, l’équipe a adopté une approche plus « smart ». Ils ont développé un algorithme qui génère automatiquement des changements aléatoires au sein du système et évalue los angeles sensibilité ou los angeles défaillance potentielle du système en réponse à ces changements. Plus un système est smart à un changement particulier, plus ce changement est prone d’être associé à une défaillance potentielle.

Cette approche permet à l’équipe de cibler un massive éventail de défaillances potentielles. De cette manière, l’algorithme permet également aux chercheurs d’identifier des correctifs en revenant sur los angeles série de changements qui ont conduit à un échec particulier.

« Nous réalisons qu’il existe une réelle dualité dans le problème », déclare Fan. “Il y a deux faces à los angeles médaille. Si vous pouvez prédire l’échec, vous devriez être succesful de prédire quoi faire pour éviter cet échec. Notre méthode boucle désormais cette boucle.”

Échecs cachés

L’équipe a testé los angeles nouvelle approche sur une variété de systèmes autonomes simulés, notamment un petit et un grand réseau électrique. Dans ces cas, les chercheurs ont lié leur algorithme à des simulations de réseaux électriques généralisés à l’échelle régionale. Ils ont montré que même si les méthodes traditionnelles se concentraient sur une seule ligne électrique comme étant los angeles plus vulnérable aux pannes, l’algorithme de l’équipe a découvert que si elles étaient combinées à los angeles panne d’une deuxième ligne, une panne de courant complète pourrait se produire.

« Notre méthode peut détecter des corrélations cachées dans le système », explique Dawson. « Parce que nous explorons mieux l’espace des échecs, nous pouvons trouver toutes sortes d’échecs, qui incluent parfois des échecs plus graves que ce que les méthodes actuelles peuvent trouver. »

Les chercheurs ont démontré une variété de résultats similaires dans d’autres systèmes autonomes, notamment los angeles simulation d’évitement de collision d’avions et los angeles coordination de drones de sauvetage. Pour voir si leurs prédictions d’échec dans los angeles simulation se réaliseraient dans los angeles réalité, ils ont également démontré l’approche sur un manipulateur robotique, un bras robotique conçu pour pousser et ramasser des objets.

L’équipe a d’abord exécuté son algorithme sur une simulation d’un robotic chargé de pousser une bouteille sans los angeles renverser. Lorsqu’ils ont exécuté le même scénario en laboratoire avec le robotic réel, ils ont constaté que celui-ci échouait de los angeles manière prévue par l’algorithme, par exemple en le laissant tomber ou en n’atteignant pas complètement los angeles bouteille. Lorsqu’ils ont appliqué los angeles resolution suggérée par l’algorithme, le robotic a réussi à repousser los angeles bouteille.

“Cela montre en fait que ce système échoue quand nous l’attendons et réussit quand nous l’attendons”, explique Dawson.

En principe, l’approche d’équipe peut trouver et corriger les insects de n’importe quel système autonome à situation qu’elle s’accompagne d’une simulation précise de son comportement. Dawson envisage qu’un jour, cette approche pourrait être transformée en une software que les concepteurs et les ingénieurs peuvent télécharger et appliquer pour affiner et renforcer leurs propres systèmes avant de les tester dans le monde réel.

“À mesure que nous dépendons davantage de ces systèmes de prise de décision automatisés, je pense que le goût de l’échec va changer”, déclare Dawson. “Au lieu de pannes mécaniques au sein du système, nous verrons davantage de pannes dues à l’interplay entre los angeles prise de décision automatisée et le monde body. Nous essayons d’expliquer ce changement en identifiant différents varieties de pannes et en les traitant dès maintenant.”

Cette histoire a été republiée grâce à MIT Information (internet.mit.edu/newsoffice/), un web page populaire couvrant l’actualité de los angeles recherche, de l’innovation et de l’enseignement du MIT.