Prediktív irányítás neurális hálókkal (aktív inferencia)

Konzulens:

Dr. Vaitkus Márton

Tárgy:

Önálló laboratórium 1 - Egészségügyi mérnök, MSc Eü.
Önálló laboratórium 2 - Egészségügyi mérnök, MSc Eü.
Önálló laboratórium 1 - Irányító és látórendszerek MSc. főspec.
Önálló laboratórium 1 - Vizuális informatika MSc. főspec.
Önálló laboratórium 2 - Irányító és látórendszerek MSc. főspec.
Önálló laboratórium 2 - Vizuális informatika MSc. főspec.
Önálló laboratórium - Szoftverfejlesztés és rendszertervezés specializáció, BSc Info.
Önálló laboratórium - Irányítórendszerek ágazat, BSc Vill.

Hallgatói létszám:

Folytatás:

Szakdolgozat / Diplomaterv
PhD
TDK dolgozat

Leírás:

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.