Forscher entwickeln neue Methode zur Steuerung weicher Roboter

Forscher aus der Massachusetts Institute of Technology haben einen Weg gefunden, Soft-Roboter besser zu steuern und zu entwerfen, um gezielte Aufgaben auszuführen. Dies ist seit langem ein Ziel in der Soft-Robotik und eine große Errungenschaft. 

Weiche Roboter verfügen über flexible Körper, die sich jederzeit auf unendlich viele Arten bewegen können. Rechnerisch handelt es sich hierbei um eine hochkomplexe „Zustandsdarstellung“, die die Bewegungen jedes Teils des Roboters beschreibt. Diese können möglicherweise Millionen von Dimensionen haben, was bedeutet, dass es schwieriger ist, zu berechnen, wie ein Roboter komplexe Zielaufgaben am besten erledigen kann.

Die MIT-Forscher werden im Dezember auf der Conference on Neural Information Processing Systems ein Modell vorstellen. Das Modell ist in der Lage, eine kompakte oder „niederdimensionale“ Zustandsdarstellung zu erlernen, die auf der Physik des Roboters, der Umgebung und anderen Faktoren basiert. Das Modell ist dann in der Lage, sowohl die Bewegungssteuerung als auch die Materialdesignparameter mitzuoptimieren und diese dann auf bestimmte Aufgaben auszurichten. 

Andrew Spielberg ist Doktorand am Computer Science and Artificial Intelligence Laboratory (CSAIL). 

„Weiche Roboter sind unendlichdimensionale Kreaturen, die sich zu jedem Zeitpunkt auf eine Milliarde verschiedene Arten verbiegen, aber in Wahrheit gibt es wahrscheinlich natürliche Arten, wie sich weiche Objekte verbiegen. Wir finden, dass die natürlichen Zustände weicher Roboter in einer niedrigdimensionalen Beschreibung sehr kompakt beschrieben werden können. Wir optimieren die Steuerung und das Design von Soft-Robotern, indem wir eine gute Beschreibung der wahrscheinlichen Zustände lernen.“

In den durchgeführten Simulationen ermöglichte das Modell 2D- und 3D-Softrobotern, die Zielaufgaben zu erledigen. Zu den Aufgaben gehörten das Zurücklegen unterschiedlicher Entfernungen und das Erreichen von Zielpunkten. Das Modell konnte diese schneller und genauer durchführen als andere aktuelle Methoden. Die Forscher wollen das Modell nun in echten Softrobotern einsetzen. 

Zu den weiteren Personen, die an dem Projekt mitgearbeitet haben, gehören die CSAIL-Absolventen Allan Zhao, Tao Du und Yuanming Hu; Daniel Rus, Direktor von CSAIl und Andrew und Erna Viterbi Professor für Elektrotechnik und Informatik; und Wojciech Matusik, außerordentlicher Professor für Elektrotechnik und Informatik am MIT und Leiter der Computational Fabrication Group. 

Soft-Robotik ist ein wachsendes Feld, das im größeren Bereich der fortgeschrittenen Robotik äußerst wichtig ist. Eigenschaften wie flexible Körper könnten eine Rolle für eine sicherere Interaktion mit Menschen, Objektmanipulation, Manövrierfähigkeit und vieles mehr spielen. 

Bei den Simulationen ist ein „Beobachter“ für die Steuerung der Roboter verantwortlich. Ein „Beobachter“ ist ein Programm, das Variablen berechnet, die sehen, wie sich der Softroboter bewegt, um eine Aufgabe zu erledigen. 

Schließlich entwickelten die Forscher eine neue Methode der „Learning-in-the-Loop-Optimierung“. Alle optimierten Parameter werden während einer einzigen Rückkopplungsschleife gelernt, die über mehrere Simulationen hinweg stattfindet. Gleichzeitig lernt die Methode die Zustandsdarstellung. 

Das Modell verwendet eine Technik namens „Material Point Method (MPM)“. Ein MPM simuliert das Verhalten von Partikeln aus Kontinuumsmaterialien wie Schäumen und Flüssigkeiten und ist von einem Hintergrundgitter umgeben. Die Technik ist in der Lage, die Partikel des Roboters und seiner beobachtbaren Umgebung in 3D-Pixel oder Voxel zu erfassen. 

Die Rohdaten des Partikelgitters werden dann an eine Komponente für maschinelles Lernen gesendet. Es lernt, ein Bild einzugeben, es auf eine niedrigdimensionale Darstellung zu komprimieren und es dann wieder in das Eingabebild zu dekomprimieren. 

Die gelernte komprimierte Darstellung fungiert als niedrigdimensionale Zustandsdarstellung des Roboters. Die komprimierten Darstellungen kehren in einer Optimierungsphase zum Controller zurück und dieser gibt eine berechnete Aktion aus, wie sich jedes Partikel dann im nächsten MPM-stimulierten Schritt bewegen soll. 

Gleichzeitig nutzt die Steuerung die Informationen, um die optimale Steifigkeit jedes Partikels einzustellen. Die Materialinformationen könnten für den 3D-Druck von Softrobotern genutzt werden, da jeder Partikelfleck mit unterschiedlicher Steifigkeit gedruckt werden kann. 

„Dies ermöglicht die Erstellung von Roboterdesigns, die auf die Roboterbewegungen zugeschnitten sind, die für bestimmte Aufgaben relevant sind“, sagt Spielberg. „Durch das gemeinsame Erlernen dieser Parameter halten Sie alles so weit wie möglich synchronisiert, um den Designprozess zu vereinfachen.“

Die Forscher hoffen, dass sie irgendwann in der Lage sein werden, von der Simulation bis zur Fertigung zu entwerfen.