Inženýři vyvinuli nástroj pro zlepšení libovolného autonomního robotického systému

Tým inženýrů z MIT vyvinul optimalizační kód pro zlepšení libovolného autonomního robotického systému. Kód automaticky identifikuje, jak a kde upravit systém, aby se zlepšil výkon robota.

Zjištění inženýrů budou prezentována na roční konferenci Robotics: Science and Systems v New Yorku. Tým zahrnoval Charlesa Dawsona, studenta MIT, a ChuChu Fan, asistenta profesora na katedře letectví a astronautiky MIT.

Navrhování AI a robotických systémů

Umělá inteligence (AI) a robotické systémy se používají v širokém spektru průmyslových odvětví a každý systém je výsledkem designového procesu specifického pro konkrétní systém. Pro navržení autonomního robota se inženýři spoléhají na simulace založené na zkouškách a omylu, které jsou často informovány intuicí. Současně jsou simulace přizpůsobeny konkrétním komponentům robota a jeho určeným úkolem, což znamená, že neexistuje žádný skutečný “recept” na zajištění úspěšného výsledku.

Inženýři z MIT mění tuto situaci svým novým univerzálním designovým nástrojem pro robotiku. Vyvinuli optimalizační kód, který lze aplikovat na simulace téměř libovolného autonomního robotického systému, a který pomáhá automaticky identifikovat způsoby, jakými lze zlepšit výkon robota.

Nástroj prokázal schopnost zlepšit výkon dvou velmi odlišných autonomních systémů. První systém sestával z robotu, který navigoval cestu mezi dvěma překážkami, a druhý systém sestával z dvojice robotů, které spolupracovaly na pohybu těžké krabice.

Podle výzkumníků by tento nový univerzální optimalizátor mohl pomoci urychlit vývoj širokého spektra autonomních systémů, jako jsou chodící roboti nebo samořiditelná vozidla.

Dawson a Fan uvedli, že si uvědomili potřebu tohoto typu nástroje poté, co pozorovali různé automatizované designové nástroje dostupné pro ostatní inženýrské disciplíny.

“Pokud by mechanický inženýr chtěl navrhnout větrnou turbínu, mohl by použít 3D CAD nástroj pro navržení konstrukce, a poté použít nástroj pro konečnou analýzu prvku, aby zkontroloval, zda bude odolávat určitým zatížením,” říká Dawson. “Nicméně, chybí tyto počítačem podporované designové nástroje pro autonomní systémy.”

Pro optimalizaci autonomního systému obvykle robotik nejdříve vyvine simulaci systému a jeho interagujících subsystémů, a poté vezme určité parametry každého komponentu. Simulace se poté spustí dopředu, aby se zjistilo, jak systém bude fungovat.

Musí být provedeno několik procesů založených na zkouškách a omylu, než lze určit optimální kombinaci parametrů, a to je časově náročné.

“Místo toho, abychom se ptali, ‘Daný design, jaký je výkon?’ jsme chtěli otočit to, aby se ptali, ‘Daný výkon, jaký je design, který nás tam dostane?'” říká Dawson.

Optimalizační rámec, nebo počítačový kód, byl navržen tak, aby automaticky nalezl úpravy, které lze provést na existujícím systému. Kód je založen na automatickém diferencování, což je programovací nástroj původně použitý pro výuku neuronových sítí. Také nazývaný “autodiff”, tato technika pomáhá rychle a efektivně “vyhodnotit derivaci”, nebo citlivost ke změně libovolného parametru.

“Naše metoda nám automaticky říká, jak provést malé kroky od počátečního designu směrem k designu, který dosáhne našich cílů,” říká Dawson. “Používáme autodiff, abychom se dostali do kódu, který definuje simulátor, a abychom zjistili, jak provést tuto inverzi automaticky.”

Testování nástroje

Nástroj byl testován na dvou samostatných autonomních robotických systémech a zlepšil výkon každého systému v laboratorních experimentech. Zatímco první systém sestával z robotu na kolech, který plánoval cestu mezi dvěma překážkami, druhý systém byl skutečně působivý.

Druhý systém byl složitější, s dvěma roboty na kolech, které spolupracovaly na pohybu krabice směrem k cílové pozici, což znamenalo, že simulace zahrnovala mnoho více parametrů. Nástroj byl schopen efektivně identifikovat kroky potřebné pro roboty, aby dokončily svůj úkol, a proces optimalizace byl 20krát rychlejší než konvenční techniky.

“Pokud váš systém má více parametrů, které je třeba optimalizovat, náš nástroj může fungovat ještě lépe a může ušetřit exponenciálně více času,” říká Fan. “Je to vlastně kombinační volba: jakmile se zvýší počet parametrů, zvýší se i volby, a náš přístup může snížit to v jednom kroku.”

Univerzální optimalizátor je k dispozici ke stažení a tým se nyní bude snažit dále jej vylepšit, aby byl užitečnější pro složitější systémy.

“Naším cílem je umožnit lidem stavět lepší roboty,” říká Dawson. “Poskytujeme nový stavební kámen pro optimalizaci jejich systému, aby nemuseli začínat od začátku.”