Μηχανικοί Ανάπτυξης Εργαλείου για τη Βελτίωση Οποιουδήποτε Αυτόνομου Ρομποτικού Συστήματος

Μια ομάδα μηχανικών στο MIT έχει αναπτύξει einen κώδικα βελτιστοποίησης για τη βελτίωση οποιουδήποτε αυτόνομου ρομποτικού συστήματος. Ο κώδικας αναγνωρίζει αυτόματα πώς και πού να τροποποιήσει ένα σύστημα για να βελτιώσει την απόδοση ενός ρομπότ.

Τα ευρήματα των μηχανικών θα παρουσιαστούν στο ετήσιο συνέδριο Robotics: Science and Systems στη Νέα Υόρκη. Η ομάδα περιελάμβανε τον Charles Dawson, φοιτητή του MIT, και τον ChuChu Fan, βοηθό καθηγητή στο Τμήμα Αεροναυπηγικής και Αστροναυτικής του MIT.

Σχεδιασμός Συστημάτων AI και Ρομποτικής

Η τεχνητή νοημοσύνη (AI) και τα ρομποτικά συστήματα χρησιμοποιούνται σε eine ευρεία γκάμα βιομηχανιών, και κάθε σύστημα είναι αποτέλεσμα ενός σχεδιαστικού προCESS που είναι ιδιαίτερο για το συγκεκριμένο σύστημα. Για να σχεδιάσουν ένα αυτόνομο ρομπότ, οι μηχανικοί βασίζονται σε δοκιμές και λάθη που συχνά ενημερώνονται από την ευαισθησία. Ταυτόχρονα, οι симуляции προσαρμόζονται στα συγκεκριμένα συστατικά του ρομπότ και τις προκαθορισμένες εργασίες, που σημαίνει ότι δεν υπάρχει αληθινό “συνταγή” για να εγγυηθεί μια επιτυχημένη έκβαση.

Οι μηχανικοί του MIT αλλάζουν αυτό με το νέο γενικό εργαλείο σχεδιασμού για ρομποτικούς. Αναπτύξανε einen κώδικα βελτιστοποίησης που μπορεί να εφαρμοστεί σε симуляции σχεδόν οποιουδήποτε αυτόνομου ρομποτικού συστήματος, και βοηθά να αναγνωριστούν αυτόματα οι τρόποι με τους οποίους η απόδοση ενός ρομπότ μπορεί να βελτιωθεί.

Το εργαλείο απέδειξε την ικανότητά του να βελτιώσει την απόδοση δύο πολύ διαφορετικών αυτόνομων ρομποτικών συστημάτων. Το πρώτο ήταν ένα ρομπότ που πλοηγούσε ένα μονοπάτι μεταξύ δύο εμποδίων, και το δεύτερο ήταν ένα ζευγάρι ρομπότ που συνεργάστηκαν για να μετακινήσουν ένα βαρύ κουτί.

Σύμφωνα με τους ερευνητές, αυτό το νέο γενικό εργαλείο βελτιστοποίησης θα μπορούσε να βοηθήσει στην ταχύτερη ανάπτυξη einer ευρείας γκάμας αυτόνομων συστημάτων, όπως ρομπότ που περπατούν ή αυτονομούς οχήματα.

Ο Dawson και ο Fan είπαν ότι συνειδητοποίησαν την ανάγκη για ένα τέτοιο εργαλείο αφού παρατηρήθηκαν τα διάφορα άλλα αυτοματοποιημένα εργαλεία σχεδιασμού που είναι διαθέσιμα για άλλες μηχανικές επιστήμες.

“Εάν ένας μηχανικός ήθελε να σχεδιάσει einen ανεμογεννήτρια, θα μπορούσε να χρησιμοποιήσει einen 3D CAD εργαλείο για να σχεδιάσει τη δομή, και στη συνέχεια να χρησιμοποιήσει einen finite-element analysis εργαλείο για να ελέγξει εάν θα αντέξει σε ορισμένες φορτίσεις”, λέει ο Dawson. “Ωστόσο, υπάρχει έλλειψη αυτών των εργαλείων σχεδιασμού για αυτόνομα συστήματα.”

Για να βελτιστοποιήσει ένα αυτόνομο σύστημα, ένας ρομποτικός συνήθως αναπτύσσει πρώτα μια симуляση του συστήματος και των υποσυστημάτων του πριν να λάβει ορισμένα παραμέτρα κάθε συστατικού. Η симуляση τότε εκτελείται προς τα εμπρός για να δει πώς θα εκτελεστεί το σύστημα.

Πολλές δοκιμές και λάθη πρέπει να εκτελεστούν πριν από την οριστική συνδυασμός των παραμέτρων, και αυτό είναι ένας χρονοβόρος αγώνας.

“Αντί να λέμε, ‘Δεδομένου ενός σχεδιασμού, ποια είναι η απόδοση;’ θέλαμε να αντιστρέψουμε αυτό να λέμε, ‘Δεδομένης της απόδοσης που θέλουμε να δούμε, ποιο είναι το σχέδιο που μας οδηγεί εκεί;'” λέει ο Dawson.

Το πλαίσιο βελτιστοποίησης, ή ο κώδικας υπολογιστή, σχεδιάστηκε για να βρει αυτόματα τις μικρές αλλαγές που μπορούν να γίνουν σε ένα υπάρχον σύστημα. Ο κώδικας βασίζεται στην αυτόματη διαφοροποίηση, η οποία είναι ένα εργαλείο προγραμματισμού που χρησιμοποιείται αρχικά για την εκπαίδευση των νευρωνικών δικτύων. Αυτό το τεχνάσμα βοηθά να αξιολογηθεί γρήγορα και αποτελεσματικά η παράγωγος, ή η ευαισθησία στην αλλαγή οποιουδήποτε παραμέτρου.

“Η μέθοδός μας λέει αυτόματα πώς να κάνουμε μικρά βήματα από ένα αρχικό σχέδιο προς ένα σχέδιο που επιτυγχάνει τους στόχους μας”, λέει ο Dawson. “Χρησιμοποιούμε την αυτόματη διαφοροποίηση για να σκάψουμε στον κώδικα που ορίζει έναν симυλαστή, και να βρούμε πώς να κάνουμε αυτή την αντιστροφή αυτόματα.”

Δοκιμή του Εργαλείου

Το εργαλείο δοκιμάστηκε σε δύο отдельικά αυτόνομα ρομποτικά συστήματα, και βελτίωσε την απόδοση κάθε συστήματος σε εργαστηριακές δοκιμές. Ενώ το πρώτο σύστημα αποτελούνταν από ένα ρομπότ με ρόδες που σχεδίαζε ένα μονοπάτι μεταξύ δύο εμποδίων, ήταν το δεύτερο σύστημα που ήταν πραγματικά εντυπωσιακό.

Το δεύτερο σύστημα ήταν πιο σύνθετο με δύο ρομπότ που συνεργάστηκαν για να μετακινήσουν ένα κουτί προς μια στόχο θέση, που σημαίνει ότι η симуляση περιελάμβανε πολλές περισσότερες παραμέτρους. Το εργαλείο ήταν σε θέση να αναγνωρίσει αποτελεσματικά τα βήματα που χρειάζονταν για τα ρομπότ να ολοκληρώσουν την εργασία τους, και η διαδικασία βελτιστοποίησης ήταν 20 φορές ταχύτερη από τις συμβατικές τεχνικές.

“Εάν το σύστημα σας έχει περισσότερες παραμέτρους για να βελτιστοποιήσει, το εργαλείο μας μπορεί να κάνει ακόμα καλύτερα και μπορεί να σώσει εκθετικά περισσότερο χρόνο”, λέει ο Fan. “Είναι βασικά μια συνδυαστική επιλογή: Όσο αυξάνεται ο αριθμός των παραμέτρων, così αυξάνεται και οι επιλογές, και η προσέγγισή μας μπορεί να μειώσει αυτό σε ένα σκαλί.”

Το γενικό εργαλείο βελτιστοποίησης είναι διαθέσιμο για λήψη, και η ομάδα θα προσπαθήσει να το βελτιστοποιήσει περαιτέρω, το οποίο θα το κάνει χρήσιμο για πιο σύνθετα συστήματα.

“Ο στόχος μας είναι να ενδυναμώσουμε τους ανθρώπους να xây dựng καλύτερα ρομπότ”, λέει ο Dawson. “Παρέχουμε einen νέο οικοδομικό блок για την βελτιστοποίηση του συστήματος τους, ώστε να μην χρειάζεται να ξεκινήσουν από την αρχή.”