Ερευνητές αναπτύσσουν νέα μέθοδο για τον έλεγχο των μαλακών ρομπότ

Ερευνητές από το Massachusetts Institute of Technology έχουν βρει έναν τρόπο καλύτερου ελέγχου και σχεδίασης μαλακών ρομπότ για την εκτέλεση των στόχων. Αυτός είναι ένας στόχος στη μαλακή ρομποτική εδώ και πολύ καιρό, και είναι ένα μεγάλο επίτευγμα. 

Τα μαλακά ρομπότ έχουν εύκαμπτα σώματα που είναι ικανά να κινούνται με άπειρους τρόπους ανά πάσα στιγμή. Όσον αφορά τον υπολογισμό, αυτή είναι μια εξαιρετικά περίπλοκη «αναπαράσταση κατάστασης», που περιγράφει τις κινήσεις κάθε μέρους του ρομπότ. Αυτά μπορεί να έχουν εκατομμύρια διαστάσεις, πράγμα που σημαίνει ότι είναι πιο δύσκολο να υπολογιστεί ο καλύτερος τρόπος για ένα ρομπότ να ολοκληρώσει σύνθετες εργασίες-στόχους.

Οι ερευνητές του MIT θα παρουσιάσουν ένα μοντέλο στο Συνέδριο για τα Συστήματα Επεξεργασίας Νευρωνικών Πληροφοριών τον Δεκέμβριο. Το μοντέλο μπορεί να μάθει μια συμπαγή ή «χαμηλών διαστάσεων» αναπαράσταση κατάστασης που βασίζεται στη φυσική του ρομπότ, στο περιβάλλον και σε άλλους παράγοντες. Στη συνέχεια, το μοντέλο μπορεί να συν-βελτιστοποιήσει τον έλεγχο κίνησης καθώς και τις παραμέτρους σχεδιασμού υλικού. Στη συνέχεια, αυτές στοχεύουν σε συγκεκριμένες εργασίες. 

Ο Andrew Spielberg είναι μεταπτυχιακός φοιτητής στο Computer Science and Artificial Intelligence Laboratory (CSAIL). 

«Τα μαλακά ρομπότ είναι πλάσματα άπειρων διαστάσεων που λυγίζουν με δισεκατομμύριο διαφορετικούς τρόπους κάθε δεδομένη στιγμή, αλλά στην πραγματικότητα, υπάρχουν φυσικοί τρόποι με τους οποίους τα μαλακά αντικείμενα είναι πιθανό να λυγίζουν. Βρίσκουμε ότι οι φυσικές καταστάσεις των μαλακών ρομπότ μπορούν να περιγραφούν πολύ συμπαγή σε μια περιγραφή χαμηλών διαστάσεων. Βελτιστοποιούμε τον έλεγχο και το σχεδιασμό των μαλακών ρομπότ μαθαίνοντας μια καλή περιγραφή των πιθανών καταστάσεων».

Στις προσομοιώσεις που πραγματοποιήθηκαν, το μοντέλο επέτρεψε σε μαλακά ρομπότ 2D και 3D να ολοκληρώσουν τις εργασίες-στόχους. Οι εργασίες περιελάμβαναν μετακίνηση διαφορετικών αποστάσεων και επίτευξη στόχων. Το μοντέλο ήταν σε θέση να τα κάνει αυτά πιο γρήγορα και με μεγαλύτερη ακρίβεια από άλλες τρέχουσες μεθόδους. Οι ερευνητές θέλουν τώρα να χρησιμοποιήσουν το μοντέλο σε πραγματικά μαλακά ρομπότ. 

Άλλα άτομα που εργάστηκαν στο έργο περιλαμβάνουν μεταπτυχιακούς φοιτητές CSAIL, Allan Zhao, Tao Du και Yuanming Hu. Ο Daniel Rus, διευθυντής του CSAIl και ο Andrew and Erna Viterbi, καθηγητής Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών. και ο Wojciech Matusik, αναπληρωτής καθηγητής του MIT στην ηλεκτρολογική μηχανική και την επιστήμη των υπολογιστών και επικεφαλής του Computational Fabrication Group. 

Η μαλακή ρομποτική είναι ένας αναπτυσσόμενος τομέας που είναι εξαιρετικά σημαντικός στο ευρύτερο πεδίο της προηγμένης ρομποτικής. Χαρακτηριστικά όπως τα εύκαμπτα σώματα θα μπορούσαν να παίξουν ρόλο στην ασφαλέστερη αλληλεπίδραση με τον άνθρωπο, τον χειρισμό αντικειμένων, την ικανότητα ελιγμών και πολλά άλλα. 

Κατά τη διάρκεια των προσομοιώσεων, ένας «παρατηρητής» είναι υπεύθυνος για τον έλεγχο των ρομπότ. Ένας "παρατηρητής" είναι ένα πρόγραμμα που υπολογίζει μεταβλητές που βλέπουν τον τρόπο με τον οποίο κινείται το μαλακό ρομπότ προκειμένου να ολοκληρώσει μια εργασία. 

Τελικά, οι ερευνητές ανέπτυξαν μια νέα μέθοδο «βελτιστοποίησης μάθησης στον βρόχο». Όλες οι βελτιστοποιημένες παράμετροι μαθαίνονται κατά τη διάρκεια ενός μόνο βρόχου ανάδρασης που λαμβάνει χώρα σε πολλαπλές προσομοιώσεις. Ταυτόχρονα, η μέθοδος μαθαίνει την αναπαράσταση κατάστασης. 

Το μοντέλο χρησιμοποιεί μια τεχνική που ονομάζεται «μέθοδος σημείων υλικού (MPM). Ένα MPM προσομοιώνει τη συμπεριφορά σωματιδίων υλικών συνεχούς, όπως αφρούς και υγρών, και περιβάλλεται από ένα πλέγμα φόντου. Η τεχνική είναι σε θέση να συλλάβει τα σωματίδια του ρομπότ και το παρατηρήσιμο περιβάλλον του σε τρισδιάστατα pixel ή voxels. 

Οι πληροφορίες πλέγματος ακατέργαστων σωματιδίων αποστέλλονται στη συνέχεια σε ένα εξάρτημα μηχανικής εκμάθησης. Μαθαίνει να εισάγει μια εικόνα, να τη συμπιέζει σε μια αναπαράσταση χαμηλών διαστάσεων και στη συνέχεια να την αποσυμπιέζει ξανά στην εικόνα εισόδου. 

Η μαθημένη συμπιεσμένη αναπαράσταση λειτουργεί ως αναπαράσταση κατάστασης χαμηλών διαστάσεων του ρομπότ. Οι συμπιεσμένες αναπαραστάσεις επανέρχονται στον ελεγκτή σε μια φάση βελτιστοποίησης και εξάγει μια υπολογισμένη ενέργεια για τον τρόπο με τον οποίο κάθε σωματίδιο θα πρέπει στη συνέχεια να κινηθεί στο επόμενο βήμα που διεγείρεται από το MPM. 

Ταυτόχρονα, ο ελεγκτής χρησιμοποιεί τις πληροφορίες για να προσαρμόσει τη βέλτιστη ακαμψία κάθε σωματιδίου. Οι πληροφορίες υλικού θα μπορούσαν να χρησιμοποιηθούν για τρισδιάστατα μαλακά ρομπότ εκτύπωσης, καθώς κάθε κηλίδα σωματιδίων μπορεί να εκτυπωθεί με διαφορετική ακαμψία. 

«Αυτό επιτρέπει τη δημιουργία σχεδίων ρομπότ που καλύπτουν τις κινήσεις του ρομπότ που θα σχετίζονται με συγκεκριμένες εργασίες», λέει ο Σπίλμπεργκ. "Με την εκμάθηση αυτών των παραμέτρων μαζί, διατηρείτε τα πάντα όσο το δυνατόν περισσότερο συγχρονισμένα για να κάνετε αυτή τη διαδικασία σχεδιασμού ευκολότερη."

Οι ερευνητές ελπίζουν ότι τελικά θα μπορέσουν να σχεδιάσουν από την προσομοίωση έως την κατασκευή.