23.06.2026 10:05
Запаздывание больше не убивает дроны 🔸 Исследователи Центра ИИ МГУ разработали метод обучения нейросетей, который позволяет учитывать задержку управля…
Запаздывание больше не убивает дроны
🔸 Исследователи Центра ИИ МГУ разработали метод обучения нейросетей, который позволяет учитывать задержку управляющего сигнала без усложнения модели. Актуально это для беспилотников, роботов и других систем, в которых управляющий сигнал достигает объекта не мгновенно, а с запаздыванием.
В чём суть?
Представьте: вы даёте команду дрону, а он выполняет её с опозданием. Задержки возникают из-за инерционности датчиков, каналов передачи данных или физических особенностей исполнительных механизмов. Вместо статичной сети, обученной один раз и навсегда, исследователи создали динамическую нейросеть, которая:
▫️ дообучается в реальном времени по мере поступления новых данных;
▫️ корректирует свои параметры прямо во время работы системы;
▫️ не требует ввода дополнительных переменных для компенсации задержки (а значит, не перегружает вычислительные ресурсы).
Главное - устойчивость. Исследователи внедрили специальную регуляризующую процедуру - гладкую проекцию параметров на эллипсоидальные множества. Она удерживает настраиваемые коэффициенты в заданных границах, гарантируя предсказуемое поведение сети даже при наличии запаздывания во входном сигнале.
🔸 Важное преимущество предложенного алгоритма - он не требует увеличения размерности модели для компенсации временного лага. Во многих существующих подходах для этого приходится вводить дополнительные переменные состояния, что существенно наращивает вычислительную нагрузку.
Подписывайтесь на Беспилот
🔸 Исследователи Центра ИИ МГУ разработали метод обучения нейросетей, который позволяет учитывать задержку управляющего сигнала без усложнения модели. Актуально это для беспилотников, роботов и других систем, в которых управляющий сигнал достигает объекта не мгновенно, а с запаздыванием.
В чём суть?
Представьте: вы даёте команду дрону, а он выполняет её с опозданием. Задержки возникают из-за инерционности датчиков, каналов передачи данных или физических особенностей исполнительных механизмов. Вместо статичной сети, обученной один раз и навсегда, исследователи создали динамическую нейросеть, которая:
▫️ дообучается в реальном времени по мере поступления новых данных;
▫️ корректирует свои параметры прямо во время работы системы;
▫️ не требует ввода дополнительных переменных для компенсации задержки (а значит, не перегружает вычислительные ресурсы).
Главное - устойчивость. Исследователи внедрили специальную регуляризующую процедуру - гладкую проекцию параметров на эллипсоидальные множества. Она удерживает настраиваемые коэффициенты в заданных границах, гарантируя предсказуемое поведение сети даже при наличии запаздывания во входном сигнале.
🔸 Важное преимущество предложенного алгоритма - он не требует увеличения размерности модели для компенсации временного лага. Во многих существующих подходах для этого приходится вводить дополнительные переменные состояния, что существенно наращивает вычислительную нагрузку.
Подписывайтесь на Беспилот