Talento

Perguntas e respostas: Cathy Wu no desenvolvimento de algoritmos para integrar robôs com segurança em nosso mundo
A professora assistente de engenharia civil descreve sua carreira na robótica, bem como os desafios e promessas das interações entre humanos e robôs.
Por Kim Martineau - 18/12/2021


Cathy Wu é professora assistente de Engenharia Civil e Ambiental Gilbert W. Winslow e membro do Instituto MIT para Dados, Sistemas e Sociedade.

Cathy Wu é professora assistente de Engenharia Civil e Ambiental Gilbert W. Winslow e membro do Instituto MIT para Dados, Sistemas e Sociedade. Como estudante de graduação, Wu venceu a competição de robótica mais difícil do MIT e, como estudante de graduação, fez o primeiro curso da Universidade da Califórnia em Berkeley sobre aprendizado por reforço profundo. Agora de volta ao MIT, ela está trabalhando para melhorar o fluxo de robôs nos depósitos da Amazon sob o Science Hub , uma nova colaboração entre o gigante da tecnologia e o MIT Schwarzman College of Computing. Fora do laboratório e da sala de aula, Wu pode ser encontrado correndo, desenhando, servindo café com leite em casa e assistindo a vídeos no YouTube sobre matemática e infraestrutura via 3Blue1Brown e Engenharia Prática. Ela recentemente fez uma pausa de tudo isso para falar sobre seu trabalho.

O que o colocou no caminho da robótica e dos carros autônomos?

R: Meus pais sempre quiseram um médico na família. No entanto, sou péssimo em seguir instruções e me tornei o tipo errado de médico! Inspirado por minhas aulas de física e ciência da computação no colégio, decidi estudar engenharia. Eu queria ajudar tantas pessoas quanto um médico pudesse.

No MIT, procurei aplicações em energia, educação e agricultura, mas o carro autônomo foi o primeiro a me agarrar. Ainda não foi solto! Noventa e quatro por cento dos acidentes de carro graves são causados ​​por erro humano e poderiam ser evitados por carros que dirigem sozinhos. Os veículos autônomos também podem aliviar o congestionamento do tráfego, economizar energia e melhorar a mobilidade.

Eu aprendi sobre carros autônomos com Seth Teller durante sua palestra convidada para o curso Laboratório de Sistemas Autônomos Móveis (MASLAB), no qual alunos de graduação do MIT competem para construir o melhor robô totalmente funcional do zero. Nosso bot buscador de bolas , Putzputz , ganhou o primeiro lugar. A partir daí, tive mais aulas de aprendizado de máquina, visão computacional e transporte, e entrei no laboratório de Teller. Também competi em vários hackathons relacionados à mobilidade, incluindo um patrocinado pela Hubway, agora conhecido como Blue Bike.

Você explorou maneiras de ajudar humanos e veículos autônomos a interagir com mais facilidade. O que torna esse problema tão difícil?

R: Ambos os sistemas são altamente complexos e nossas ferramentas clássicas de modelagem são lamentavelmente insuficientes. A integração de veículos autônomos em nossos sistemas de mobilidade existentes é um grande empreendimento. Por exemplo, não sabemos se os veículos autônomos reduzirão o uso de energia em 40% ou o dobrarão. Precisamos de ferramentas mais poderosas para superar a incerteza. Minha tese de doutorado em Berkeley tentou fazer isso. Desenvolvi métodos de otimização escalonáveis ​​nas áreas de controle de robôs, estimativa de estado e projeto de sistema. Esses métodos podem ajudar os tomadores de decisão a antecipar cenários futuros e projetar sistemas melhores para acomodar humanos e robôs.

Como está o aprendizado por reforço profundo, combinando algoritmos de aprendizado por reforço profundo e por reforço, mudando a robótica?

R: Eu fiz o curso de aprendizagem por reforço de John Schulman e Pieter Abbeel em Berkeley em 2015, logo após a Deepmind publicar seu artigo inovador na Nature . Eles treinaram um agente por meio de aprendizado profundo e aprendizado por reforço para jogar "Space Invaders" e um conjunto de jogos Atari em níveis sobre-humanos. Isso criou um burburinho. Um ano depois, comecei a incorporar o aprendizado de reforço em problemas envolvendo sistemas de tráfego misto, nos quais apenas alguns carros são automatizados. Percebi que as técnicas clássicas de controle não podiam lidar com os complexos problemas de controle não linear que eu estava formulando.

O Deep RL agora é popular, mas de forma alguma difundido na robótica, que ainda depende fortemente de métodos clássicos de controle e planejamento baseados em modelos. O aprendizado profundo continua a ser importante para o processamento de dados brutos do sensor, como imagens de câmeras e ondas de rádio, e o aprendizado por reforço está sendo gradualmente incorporado. Vejo os sistemas de tráfego como sistemas multi-robôs gigantescos. Estou animado para uma futura colaboração com o Departamento de Transporte de Utah para aplicar o aprendizado de reforço para coordenar os carros com os semáforos, reduzindo o congestionamento e, portanto, as emissões de carbono.

Você falou sobre o curso MIT, 6.007 ( Sinais e Sistemas ), e seu impacto sobre você. O que falou com você?

UMA: A mentalidade. Que problemas que parecem complicados podem ser analisados ​​com ferramentas comuns e, às vezes, simples. Os sinais são transformados por sistemas de várias maneiras, mas o que esses termos abstratos significam, afinal? Um sistema mecânico pode receber um sinal como engrenagens girando em alguma velocidade e transformá-lo em uma alavanca girando em outra velocidade. Um sistema digital pode pegar dígitos binários e transformá-los em outros dígitos binários ou em uma sequência de letras ou uma imagem. Os sistemas financeiros podem pegar as notícias e transformá-las por meio de milhões de decisões de negociação em preços de ações. As pessoas recebem sinais todos os dias por meio de anúncios, ofertas de emprego, fofocas e assim por diante, e os traduzem em ações que, por sua vez, influenciam a sociedade e outras pessoas. Esta humilde aula sobre sinais e sistemas ligados mecânicos, digitais,

Em seu projeto com a Amazon, você está treinando robôs de depósito para coletar, classificar e entregar mercadorias. Quais são os desafios técnicos?

R: Este projeto envolve atribuir robôs a uma determinada tarefa e encaminhá-los para lá. A equipe de Cynthia Barnhart está focada na atribuição de tarefas, e a minha, no planejamento de caminhos. Ambos os problemas são considerados problemas de otimização combinatória porque a solução envolve uma combinação de escolhas. Conforme o número de tarefas e robôs aumenta, o número de soluções possíveis cresce exponencialmente. É a chamada maldição da dimensionalidade. Ambos os problemas são o que chamamos de NP Hard; pode não haver um algoritmo eficiente para resolvê-los. Nosso objetivo é criar um atalho.

Rotear um único robô para uma única tarefa não é difícil. É como usar o Google Maps para encontrar o caminho mais curto para casa. Ele pode ser resolvido de forma eficiente com vários algoritmos, incluindo o de Dijkstra. Mas os armazéns parecem pequenas cidades com centenas de robôs. Quando ocorrem engarrafamentos, os clientes não conseguem obter seus pacotes tão rapidamente. Nosso objetivo é desenvolver algoritmos que encontrem os caminhos mais eficientes para todos os robôs.

Existem outros aplicativos?

R: Sim. Os algoritmos que testamos nos armazéns da Amazon podem um dia ajudar a aliviar o congestionamento em cidades reais. Outras aplicações potenciais incluem o controle de aviões em pistas, enxames de drones no ar e até mesmo personagens em videogames. Esses algoritmos também podem ser usados ​​para outras tarefas de planejamento robótico, como agendamento e roteamento.

A IA está evoluindo rapidamente. Onde você espera ver os grandes avanços chegando?

R: Eu gostaria de ver o aprendizado profundo e RL profundos usados ​​para resolver problemas sociais envolvendo mobilidade, infraestrutura, mídia social, saúde e educação. O Deep RL agora tem influência na robótica e em aplicações industriais, como design de chips, mas ainda precisamos ter cuidado ao aplicá-lo a sistemas com humanos no circuito. Em última análise, queremos projetar sistemas para as pessoas. Atualmente, simplesmente não temos as ferramentas certas.

O que mais o preocupa no fato de a IA assumir tarefas cada vez mais especializadas?

R: A IA tem um potencial tremendo para o bem, mas também pode ajudar a acelerar o fosso cada vez maior entre quem tem e quem não tem. Nossos sistemas políticos e regulatórios podem ajudar a integrar a IA na sociedade e minimizar as perdas de empregos e a desigualdade de renda, mas me preocupa que eles ainda não estejam equipados para lidar com a mangueira de incêndio da IA.

Qual foi o último grande livro que você leu?

R: " Como evitar um desastre climático", de Bill Gates. Eu simplesmente amei a maneira como Gates foi capaz de pegar um tópico extremamente complexo e resumi-lo em palavras que todos podem entender. Seu otimismo me inspira a continuar pressionando os aplicativos de IA e robótica para ajudar a evitar um desastre climático.

 

.
.

Leia mais a seguir