Ερευνητές Αναπτύσσουν Νέα Μέθοδο για τον Έλεγχο Μαλακών Ρομπότ

Ερευνητές από το Τεχνολογικό Ινστιτούτο της Μασαχουσέτης έχουν βρει έναν τρόπο να ελέγξουν και να σχεδιάσουν καλύτερα τα μαλακά ρομπότ για να εκτελέσουν στόχους. Αυτό έχει sido ένας στόχος στη ρομποτική για πολύ καιρό και είναι μια μεγάλη επιτυχία.

Τα μαλακά ρομπότ έχουν柔κές σώματα που μπορούν να κινούνται με άπειρους τρόπους σε οποιαδήποτε στιγμή. Σε σχέση με τον υπολογισμό, αυτό είναι μια πολύ σύνθετη “παράσταση καταστάσεων”, που περιγράφει τις κινήσεις κάθε μέρους του ρομπότ. Αυτές οι κινήσεις μπορούν να έχουν εκατομμύρια διαστάσεις, γεγονός που σημαίνει ότι είναι πιο δύσκολο να υπολογιστεί ο καλύτερος τρόπος για ένα ρομπότ να εκτελέσει σύνθετους στόχους.

Οι ερευνητές του MIT θα παρουσιάσουν ένα μοντέλο στη Διάσκεψη για τα Νευρωνικά Συστήματα Επεξεργασίας Πληροφοριών τον Δεκέμβριο. Το μοντέλο είναι σε θέση να μάθει μια συμπυκνωμένη, ή “χαμηλοδιάστατη” παράσταση καταστάσεων που βασίζεται στη φυσική του ρομπότ, του περιβάλλοντος και άλλων παραγόντων. Το μοντέλο είναι στη συνέχεια σε θέση να βελτιστοποιήσει τον έλεγχο της κίνησης και των παραμέτρων σχεδιασμού του υλικού. Αυτές οι παράμετροι στοχεύουν σε συγκεκριμένους στόχους.

Ο Andrew Spielberg είναι μεταπτυχιακός φοιτητής στο Εργαστήριο Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης (CSAIL).

“Τα μαλακά ρομπότ είναι απειροδιάστατα πλάσματα που γέρνουν με εκατομμύρια διαφορετικούς τρόπους σε οποιαδήποτε στιγμή, αλλά στην πραγματικότητα, υπάρχουν φυσικοί τρόποι με τους οποίους τα μαλακά αντικείμενα είναι πιθανό να γέρνουν. Βρίσκουμε τις φυσικές καταστάσεις των μαλακών ρομπότ που μπορούν να περιγραφούν πολύ συμπυκνωμένα σε μια χαμηλοδιάστατη περιγραφή. Βελτιστοποιούμε τον έλεγχο και το σχεδιασμό των μαλακών ρομπότ μαθαίνοντας μια καλή περιγραφή των πιθανών καταστάσεων.”

Στις προσομοιώσεις που πραγματοποιήθηκαν, το μοντέλο επέτρεψε στα 2D και 3D μαλακά ρομπότ να εκτελέσουν τους στόχους. Οι στόχοι περιελάμβαναν την κίνηση διαφορετικών αποστάσεων και την προσέγγιση στόχων. Το μοντέλο ήταν σε θέση να εκτελέσει αυτές τις ενέργειες πιο γρήγορα και ακριβέστερα από τις τρέχουσες μεθόδους. Οι ερευνητές τώρα θέλουν να χρησιμοποιήσουν το μοντέλο σε πραγματικά μαλακά ρομπότ.

Άλλοι που εργάστηκαν στο πρότζεκτ περιλαμβάνουν τους μεταπτυχιακούς φοιτητές του CSAIL, Allan Zhao, Tao Du και Yuanming Hu, τον Daniel Rus, διευθυντή του CSAIL και καθηγητή Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών, και τον Wojciech Matusik, αναπληρωτή καθηγητή Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών και επικεφαλή της Ομάδας Υπολογιστικών Κατασκευών.

Η ρομποτική με μαλακά ρομπότ είναι ένα εξελισσόμενο πεδίο που είναι εξαιρετικά σημαντικό στο ευρύτερο πεδίο της προηγμένης ρομποτικής. Χαρακτηριστικά όπως τα柔κές σώματα μπορούν να παίξουν ρόλο στην ασφαλέστερη αλληλεπίδραση με τους ανθρώπους, την χειρισμό αντικειμένων, την ευελιξία και πολλά άλλα.

Κατά τη διάρκεια των προσομοιώσεων, ένας “παρατηρητής” είναι υπεύθυνος για τον έλεγχο των ρομπότ. Ο “παρατηρητής” είναι ένα πρόγραμμα που υπολογίζει τις μεταβλητές που βλέπουν τον τρόπο με τον οποίο το μαλακό ρομπότ κινείται για να εκτελέσει μια εργασία.

Τελικά, οι ερευνητές ανέπτυξαν μια νέα μέθοδο “μάθησης στο βρόχο βελτιστοποίησης”. Όλες οι βελτιστοποιημένες παράμετροι μαθαίνονται κατά τη διάρκεια ενός seul βρόχου ανατροφοδότησης που λαμβάνει χώρα σε πολλές προσομοιώσεις. Ταυτόχρονα, η μέθοδος μαθαίνει την παράσταση καταστάσεων.

Το μοντέλο χρησιμοποιεί μια τεχνική που ονομάζεται “μεθοδος σημείου υλικού (MPM)”. Η MPM προσομοιώνει την συμπεριφορά των σωματιδίων των συνεχών υλικών, όπως οι πena και τα υγρά, και περιβάλλεται από ένα πλέγμα υποβάθρου. Η τεχνική είναι σε θέση να καταγράψει τα σωματίδια του ρομπότ και το παρατηρήσιμο περιβάλλον σε 3D εικονοστοιχεία, ή voxels.

Η ακατέργαστη πληροφορία του πλέγματος των σωματιδίων στέλνεται σε ένα στοιχείο της μηχανικής μάθησης. Μαθαίνει να εισάγει μια εικόνα, να την συμπυκνώσει σε μια χαμηλοδιάστατη αναπαράσταση και στη συνέχεια να την επαναφέρει στην αρχική εικόνα.

Η μάθηση της συμπυκνωμένης αναπαράστασης ενεργεί ως η χαμηλοδιάστατη παράσταση καταστάσεων του ρομπότ. Η συμπυκνωμένη αναπαράσταση επαναστέλνεται στον ελεγκτή στη φάση βελτιστοποίησης και εξοδεύει μια υπολογισμένη ενέργεια για το πώς κάθε σωματίδιο πρέπει να κινηθεί στο επόμενο βήμα της MPM.

Ταυτόχρονα, ο ελεγκτής χρησιμοποιεί τις πληροφορίες για να điều chỉnh την βέλτιστη σκληρότητα κάθε σωματιδίου. Οι πληροφορίες του υλικού μπορούν να χρησιμοποιηθούν για την τρισδιάστατη εκτύπωση μαλακών ρομπότ, поскольку κάθε σημείο του σωματιδίου μπορεί να εκτυπωθεί με διαφορετική σκληρότητα.

“Αυτό επιτρέπει τη δημιουργία σχεδίων ρομπότ που προορίζονται για τις κινήσεις του ρομπότ που θα είναι σχετικές με συγκεκριμένες εργασίες,” λέει ο Spielberg. “Μαθαίνοντας αυτές τις παραμέτρους μαζί, giữτε όλα συγχρονισμένα όσο το δυνατόν για να κάνετε τη διαδικασία σχεδιασμού ευκολότερη.”

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