Blødkroppsrobotter er mere effektive med ny dyb læring neuralt netværk

Blødkroppsrobotter er et ekstremt vigtigt værktøj i det bredere felt af robotteknologi, da traditionelle og stive robotter ikke kan udføre de samme typer opgaver. Den førstnævnte interagerer med mennesker på en sikrere måde, og de kan udføre ting som at passe ind i små rum.

En af de største udfordringer i forbindelse med blødkroppsrobotter er, at de skal vide, hvor alle deres kropsdele er, for at udføre programmerede opgaver, og dette bliver sværere, da blødkroppsrobotter kan deformere på næsten uendelige måder.

Nu har forskere på MIT udviklet en ny dyb læring algoritme, der hjælper ingeniører med at designe blødkroppsrobotter på en måde, der giver dem mulighed for at indsamle mere data om deres omgivelser. Algoritmen fungerer ved at foreslå en optimeret placering af sensorer inden for robotterens krop. Dette giver det mulighed for at udføre tildelte opgaver, mens det interagerer med omgivelserne.

Alexander Amini er medforfatter til forskningen sammen med Andrew Spielberg, begge PhD-studerende på MIT Computer Science and Artificial Intelligence Laboratory. Forskningen er offentliggjort i IEEE Robotics and Automation Letters med andre medforfattere, herunder Lillian Chin, PhD-studerende, og Wojciech Matusik og Daniela Rus, professorer på universitetet.

“Systemet lærer ikke kun en given opgave, men også, hvordan man bedst designer robotten til at løse den opgave,” siger Amini. “Sensorplacering er et meget svært problem at løse. Så at have løsningen er ekstremt spændende.”

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

Stive vs. Blødkroppsrobotter

En af de største fordele ved stive robotter er, at de har en begrænset rækkevidde af bevægelse, og selvom dette kan synes som en ulempe, betyder det, at det endelige antal led og lemmer giver mere håndterbare beregninger.

Disse beregninger er lettere at arbejde med, når det kommer til algoritmer, der kontrollerer mapping og bevægelsesplanlægning. Blødkroppsrobotter kan ikke gøre det samme, da de er fleksible.

“Det største problem med blødkroppsrobotter er, at de er uendeligt dimensionelle,” siger Spielberg. “Hvert punkt på en blødkroppsrobot kan i teorien deformere på enhver måde.”

I fortiden har forskere brugt en ekstern kamera til at kortlægge robotterens position, som derefter er indført i robotterens kontrolprogram. Det nye hold ledte efter en måde at skabe en blødkroppsrobot, der ikke var afhængig af eksternt hjælp.

“Du kan ikke sætte et uendeligt antal sensorer på robotten selv,” fortsætter Spielberg. “Så spørgsmålet er: Hvor mange sensorer har du, og hvor sætter du disse sensorer, for at få mest ud af pengene?”

Forskerne udviklede en ny neural netværksarkitektur, der kan optimere sensorplacering og lære at udføre opgaver effektivt. De delte først robotterens krop op i forskellige regioner kaldet “partikler”.

Det neurale netværk brugte hver partikels hastighed af deformation som input, og gennem prøver og fejl kan netværket lære den mest effektive sekvens af bevægelser for en given opgave. Netværket holder også styr på, hvilke partikler der bruges mere end andre, så netværkets input kan justeres.

Overgår Mennesker i Sensorplacering

Netværket foreslår placeringen af sensorer på robotten ved at optimere de vigtigste partikler. I tests overgik algoritmen mennesker, når det kom til at finde de mest effektive steder at placere sensorer.

Algoritmen blev derefter testet mod en række ekspertforudsigelser.

“Vores model overgik mennesker væsentligt for hver opgave, selvom jeg så på nogle af robotkroppene og følte mig meget sikker på, hvor sensorerne skulle placeres,” siger Amini. “Det viser sig, at der er mange mere nuancer i dette problem, end vi først havde forventet.”

Ifølge Spielberg kan den nye udvikling hjælpe med at automatisere robotdesignprocessen og hjælpe med at udvikle nye algoritmer til at kontrollere robotbevægelser.

“…vi skal også tænke på, hvordan vi skal sensorisere disse robotter, og hvordan det vil interagere med andre komponenter i systemet,” siger han. “Det er noget, hvor du behøver en meget robust, veloptimeret fornemmelse af berøring. Så der er potentiale for umiddelbar effekt.”

“Automatisering af designet af sensoriserede blødkroppsrobotter er et vigtigt skridt mod at skabe intelligente værktøjer, der kan hjælpe mennesker med fysiske opgaver,” siger Rus. “Sensorerne er en vigtig del af processen, da de giver blødkroppsrobotter mulighed for at “se” og forstå verden og dens relation til verden.”