Prediktív irányítás neurális hálókkal (aktív inferencia)
Supervisor:
Dr. Vaitkus Márton
Subject:
Project Laboratory 1 - Biomedical engineering, MSc Bio.
Project Laboratory 2 - Biomedical engineering, MSc Bio.
Project Laboratory 1 - Control and vision systems, MSc Elec.
Project Laboratory 1 - Visual informatics, MSc IT.
Project Laboratory 2 - Control and vision systems, MSc Elec.
Project Laboratory 2 - Visual informatics, MSc IT.
Project Laboratory - Software development study specialization, BSc IT.
Project Laboratory - Control systems study specialization, BSc Elec.
Project Laboratory 2 - Biomedical engineering, MSc Bio.
Project Laboratory 1 - Control and vision systems, MSc Elec.
Project Laboratory 1 - Visual informatics, MSc IT.
Project Laboratory 2 - Control and vision systems, MSc Elec.
Project Laboratory 2 - Visual informatics, MSc IT.
Project Laboratory - Software development study specialization, BSc IT.
Project Laboratory - Control systems study specialization, BSc Elec.
Students count:
3
Continue:
Szakdolgozat / Diplomaterv
PhD
TDK dolgozat
PhD
TDK dolgozat
Description:
Kép forrása: [5]
Egy cselekvő lény (legyen szó állatról, emberi vagy mesterséges intelligenciáról) a környezetéről csak valami elnagyolt, hozzávetőleges modellel rendelkezik, amit a felgyülemlett tapasztalatok és a veleszületett ösztönök alapján folyamatosan épít és finomít. Napjainkban a biofizika és különösen az idegtudomány területén egy egyre népszerűbb megközelítés a K. Friston nevéhez köthető "aktív inferencia" [1], ami az észlelést, tervezést és cselekvést egyaránt egy közös feladat megoldásaként értelmezi, miszerint a világról alkotott közelítő modellünktől azt várjuk, hogy az észlelt eseményeknek a lehető 1) legpontosabb, 2) legegyszerűbb magyarázatát adja a múltban úgy, mint a (feltételezett) jövőben. 
Kép forrása: [1]
Ezen elmélet szerint pl. az ember agya nem pusztán adatfeldolgozást végez, hanem egy saját ún. generatív modell alapján előre is jelzi, hogy mit fog érzékelni az érzékszervein keresztül. A világ feltételezett és ténylegesen érzékelt állapota közötti összhangot megteremthetjük "passzívan" a modell pontosításával, vagy "aktívan" a külső világba történő beavatkozással is. Az aktív inferencia mérnöki szempontból a széles körben használt Kalman szűrés és (optimális) prediktív irányítás messzemenő általánosításaként is felfogható, aminél az optimalizáció célját nem önkényesen deklaráljuk, hanem biofizikai elvekből vezetjük le.
A generatív világmodell, valamint a prediktív irányítás megvalósítása történhet akár mély neurális hálók használatával is [4], így ez a téma szorosan kötődik a mesterséges intelligencia kurrens trendjeihez. Az aktív inferencia módszereit egyre szélesebb körben alkalmazzák az irányítástechnika, robotika és mesterséges intelligencia területén [5][6].
Ajánlott előismeretek:
MATLAB és/vagy Python nyelv.
Szabályozástechnika és valószínűségszámítás alapjai
A hallgató feladatai:
1) Ismerkedjen meg az aktív inferencia alapjaival [1].
2) Implementáljon aktív inferencián alapuló szabályozót [2][3] egyszerű mechanikai rendszerekre és hasonlítsa össze az eredményeket más, klasszikus módszerekkel (pl. PID, Kalman szűrő, stb.) szimulációban és/vagy valódi rendszereken.
3) Vizsgálja meg az aktív inferencia alapú irányítás mély neurális hálókkal történő megvalósítási lehetőségeit. [4]
4) A téma érdeklődés függvényében számtalan különböző irányban folytatható, pl. robotok, járművek, AI-alapú ágensek, stb. [5][6]
Ajánlott irodalom:
[1] Parr, Pezzulo, Friston: Active Inference - The Free Energy Principle in Mind, Brain and Behavior. 2022, MIT Press.
[2] Pezzato et al.: A Novel Adaptive Controller for Robot Manipulators Based on Active Inference. Videó: LINK
[3] Baioumy et al.: Active Inference for Integrated State-Estimation, Control, and Learning.
[4] Ueltzhöffer, K.: Deep Active Inference.
[5] Lanillos et al.: Active Inference in Robotics and Artificial Agents: Survey and Challenges.
[6] Taniguchi et al.: World Models and Predictive Coding for Cognitive and Developmental Robotics: Frontiers and Challenges.