Forskere udvikler ny metode til kontrol af bløde robotter

Forskere fra Massachusetts Institute of Technology har fundet en måde at kontrollere og designe bløde robotter bedre til at udføre målrettede opgaver. Dette har været et mål i blødt robotteknologi i lang tid, og det er en stor præstation.

Bløde robotter har fleksible kroppe, der kan bevæge sig på en uendelig måde på ethvert tidspunkt. I forhold til beregning er dette en meget kompleks “tilstandsrepræsentation”, der beskriver bevægelserne af hver del af robotterne. Disse kan muligvis have millioner af dimensioner, hvilket betyder, at det er sværere at beregne den bedste måde for en robot at udføre komplekse målrettede opgaver på.

MIT-forskerne vil præsentere en model på Konferencen for Neural Information Processing Systems i december. Modellen kan lære en kompakt eller “lavdimensionel” tilstandsrepræsentation, der er baseret på robotternes fysik, miljøet og andre faktorer. Modellen kan derefter samtidig optimere bevægelseskontrol samt materiale-designparametre, der er rettet mod bestemte opgaver.

Andrew Spielberg er en ph.d.-studerende på Computer Science and Artificial Intelligence Laboratory (CSAIL).

“Bløde robotter er uendeligt-dimensionelle væsener, der bøjer i en billion forskellige måder på ethvert tidspunkt, men i virkeligheden er der naturlige måder, bløde objekter sandsynligvis vil bøje. Vi finder, at de naturlige tilstande for bløde robotter kan beskrives meget kompakt i en lavdimensionel beskrivelse. Vi optimerer kontrol og design af bløde robotter ved at lære en god beskrivelse af de sandsynlige tilstande.”

I simulationerne, der fandt sted, gjorde modellen det muligt for 2D- og 3D-bløde robotter at udføre målrettede opgaver. Opgaverne inkluderede at bevæge sig forskellige afstande og nå målpunkter. Modellen kunne gøre dette hurtigere og mere præcist end andre nuværende metoder. Forskerne ønsker nu at bruge modellen i rigtige bløde robotter.

Andre personer, der arbejdede på projektet, inkluderer CSAIL-ph.d.-studerende Allan Zhao, Tao Du og Yuanming Hu; Daniel Rus, direktør for CSAIL og Andrew og Erna Viterbi Professor i Electrical Engineering and Computer Science; og Wojciech Matusik, en MIT-adjunktprofessor i electrical engineering and computer science og leder af Computational Fabrication Group.

Blødt robotteknologi er et voksende felt, der er ekstremt vigtigt inden for den større ramme af avanceret robotteknologi. Egenskaber som fleksible kroppe kan spille en rolle i sikrere interaktion med mennesker, objekthåndtering, manøvring og meget mere.

Under simulationerne er en “observer” ansvarlig for kontrol af robotterne. En “observer” er et program, der beregner variable, der ser, hvordan den bløde robot bevæger sig for at udføre en opgave.

Til sidst udviklede forskerne en ny “læring-i-løkken-optimering” metode. Alle optimerede parametre læres under en enkelt feedback-løkke, der finder sted over flere simulationer. Samtidig lærer metoden tilstandsrepræsentationen.

Modellen bruger en teknik kaldet “materialepunktmetode (MPM)”. En MPM simulerer opførslen af partikler af kontinuummaterialer, som fx skum og væske, og det er omgivet af en baggrundsgitter. Teknikken kan fange partiklerne af robotten og dets observerbare miljø i 3D-pixler eller voxler.

Den rå partikelgitterinformation sendes derefter til en maskinlæringskomponent. Den lærer at indtaste et billede, komprimere det til en lavdimensionel repræsentation og derefter dekomprimere det tilbage til inputbilledet.

Den lærede komprimerede repræsentation fungerer som robotternes lavdimensionelle tilstandsrepræsentation. Den komprimerede repræsentation løber tilbage til kontrolleren i en optimeringsfase, og den udgangen en beregnet handling for, hvordan hver partikel skal bevæge sig i det næste MPM-stimulerede skridt.

Samtidig bruger kontrolleren informationen til at justere den optimale stivhed af hver partikel. Materialeinformationen kan bruges til 3D-printning af bløde robotter, da hver partikelposition kan printes med forskellig stivhed.

“Dette giver mulighed for at skabe robotdesigner, der er tilpasset robotbevægelser, der er relevante for bestemte opgaver,” siger Spielberg. “Ved at lære disse parametre sammen, holder man alt synkroniseret så meget som muligt for at gøre designprocessen lettere.”

Forskerne håber, at de til sidst vil kunne designe fra simulation til fabrikation.