Měkkotělní roboti jsou efektivnější s novou hlubokou učící se neuronovou sítí

Měkkotělní roboti jsou velmi důležitým nástrojem v širším poli robotiky, protože tradiční a tuhé roboty nejsou schopny dokončit stejné typy úkolů. První z nich interaguje s lidmi bezpečněji a mohou dělat věci, jako je například vejít do úzkých prostor.

Jednou z hlavních výzev spojených s měkkými roboty je, že musí vědět, kde jsou všechny jejich části těla, aby dokončily programované úkoly, a to se stává obtížnějším, protože měkké roboty mohou deformovat téměř nekonečně mnoha způsoby.

Nyní výzkumníci z MIT vyvinuli novou hlubokou učící se algoritmus, který pomáhá inženýrům navrhnout měkké roboty tak, aby mohli shromažďovat více dat o svém okolí. Algoritmus funguje tak, že navrhuje optimalizované umístění senzorů uvnitř robotova těla. To umožňuje dokončit přidělené úkoly, zatímco interaguje s prostředím.

Alexander Amini je spoluautor výzkumu spolu s Andrew Spielbergem, обоje PhD studenti v MIT Computer Science and Artificial Intelligence Laboratory. Výzkum byl zveřejněn v IEEE Robotics and Automation Letters s dalšími spoluautory, včetně Lillian Chin, PhD studenta, a Wojciecha Matusika a Daniely Rus, profesorů na univerzitě.

“Systém nejenže se učí daný úkol, ale také, jak navrhnout robot tak, aby dokončil ten úkol,” říká Amini. “Umístění senzorů je velmi obtížný problém, který je třeba vyřešit. Mít řešení je tedy velmi vzrušující.”

https://www.youtube.com/watch?v=MSa7D0FvxqY

Tuhé vs. Měkké Roboty

Jednou z největších výhod tuhých robotů je, že mají omezený rozsah pohybu, a zatímco to vypadá jako nevýhoda, znamená to, že konečný počet kloubů a končetin vede k lépe zvladatelným výpočtům.

Tyto výpočty jsou snazší pracovat s nimi, když se jedná o algoritmy, které kontrolují mapování a plánování pohybu. Měkké roboty nemohou dělat totéž, protože jsou flexibilní.

“Hlavním problémem s měkkými roboty je, že jsou nekonečně dimenzionální,” říká Spielberg. “Každý bod na měkkém robotu může teoreticky deformovat jakýmkoliv způsobem.”

V minulosti výzkumníci používali externí kameru k zaznamenání polohy robota, která se poté zadala do robotova kontrolního programu. Nový tým hledal způsob, jak vytvořit měkkého robota, který není vázaný na externí pomoc.

“Nemůžete umístit nekonečné množství senzorů na robota sám,” pokračuje Spielberg. “Otázka tedy zní: Kolik senzorů máte, a kde je umístíte, aby jste získali maximum za své peníze?”

Výzkumníci vyvinuli novou architekturu neuronové sítě, která může optimalizovat umístění senzorů a naučit se efektivně dokončovat úkoly. Nejprve rozdělili robotovo tělo na různé regiony nazvané “částice”.

Neuronová síť používala rychlost deformace každé částice jako vstup, a prostřednictvím pokusů a omylů se síť mohla naučit nejefektivnější sekvenci pohybů pro daný úkol. Síť také sledovala, které částice se používají více než ostatní, aby se mohly vstupní údaje upravit.

Překonání Lidí v Umístění Senzorů

Síť navrhuje umístění senzorů na robotu optimalizací nejvýznamnějších částic. V testech algoritmus překonal lidi, když šlo o nalezení nejefektivnějších míst pro umístění senzorů.

Algoritmus byl poté testován proti série odborných předpovědí.

“Náš model výrazně překonal lidi pro každý úkol, i když jsem se podíval na některé robotické tělo a cítil jsem se velmi sebevědomě, kde senzory měly být umístěny,” říká Amini. “Ukázalo se, že existuje mnoho více nuancí v tomto problému, než jsme původně očekávali.”

Podle Spielberga může nové vývoj pomoci automatizovat proces navrhování robotů a pomoci vytvořit nové algoritmy pro kontrolu pohybů robotů.

“…musíme také myslet na to, jak budeme senzorizovat tyto roboty, a jak to bude interagovat s jinými komponentami systému,” říká. “To je něco, kde je třeba velmi robustní, dobře optimalizovaný smysl pro dotek. Takže existuje potenciál pro okamžitý dopad.”

“Automatizace navrhování senzorizovaných měkkých robotů je důležitým krokem směrem k rychlému vytváření inteligentních nástrojů, které pomáhají lidem s fyzickými úkoly,” říká Rus. “Senzory jsou důležitou součástí procesu, protože umožňují měkkému robotu “vidět” a pochopit svět a jeho vztah se světem.”