Ρομποτικά με μαλακά σώματα πιο αποτελεσματικά με το νέο Νευρωνικό Δίκτυο Βαθιάς Μάθησης

Τα ρομποτικά με μαλακά σώματα είναι ένα εξαιρετικά σημαντικό εργαλείο στο ευρύτερο πεδίο της ρομποτικής, καθώς τα παραδοσιακά και σκληρά ρομποτικά δεν μπορούν να ολοκληρώσουν τους ίδιους τύπους εργασιών. Τα πρώτα αλληλεπιδρούν με τους ανθρώπους με μεγαλύτερη ασφάλεια και μπορούν να κάνουν πράγματα όπως να ταιριάζουν σε στενούς χώρους.

Μια από τις μεγαλύτερες προκλήσεις που σχετίζονται με τα ρομποτικά με μαλακά σώματα είναι ότι πρέπει να γνωρίζουν την τοποθεσία όλων των μερών του σώματός τους για να ολοκληρώσουν προγραμματισμένες εργασίες, και αυτό γίνεται πιο δύσκολο καθώς τα ρομποτικά με μαλακά σώματα μπορούν να παραμορφωθούν με几乎 απεριόριστο τρόπο.

Τώρα, ερευνητές στο MIT έχουν αναπτύξει einen νέο αλγόριθμο βαθιάς μάθησης που βοηθά τους μηχανικούς να σχεδιάσουν ρομποτικά με μαλακά σώματα με τρόπο που τους επιτρέπει να συλλέγουν περισσότερα δεδομένα για το περιβάλλον τους. Ο αλγόριθμος λειτουργεί προτείνοντας μια βελτιστοποιημένη τοποθέτηση αισθητήρων μέσα στο σώμα του ρομποтю. Αυτό του επιτρέπει να ολοκληρώσει τις ανατεθειμένες εργασίες ενώ αλληλεπιδρά με το περιβάλλον.

Ο Alexander Amini είναι συν-πρώτος συγγραφέας της έρευνας μαζί με τον Andrew Spielberg, και οι δύο είναι φοιτητές διδακτορικού στο Εργαστήριο Επιστήμης και Τεχνολογίας Υπολογιστών του MIT. Η έρευνα δημοσιεύθηκε στο IEEE Robotics and Automation Letters με άλλους συν-συγγραφείς, συμπεριλαμβανομένων των Lillian Chin, φοιτήτριας διδακτορικού, και Wojciech Matusik και Daniela Rus, καθηγητών στο πανεπιστήμιο.

«Το σύστημα δεν μαθαίνει μόνο μια δεδομένη εργασία, αλλά και τον τρόπο με τον οποίο να σχεδιάσει το ρομποτικό για να λύσει αυτή την εργασία», λέει ο Amini. «Η τοποθέτηση αισθητήρων είναι ένα πολύ δύσκολο πρόβλημα να λυθεί. Έτσι, να έχεις τη λύση είναι εξαιρετικά ενθαρρυντικό».

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

Σκληρά vs Μαλακά Ρομποτικά

Μια από τις μεγαλύτερες πλεονεκτήματα των σκληρών ρομποτικών είναι ότι έχουν einen περιορισμένο εύρος κίνησης, και ενώ αυτό φαίνεται σαν μειονέκτημα, σημαίνει ότι ο πεπερασμένος αριθμός συνδέσμων και άκρων οδηγεί σε πιο διαχειρίσιμους υπολογισμούς.

Αυτοί οι υπολογισμοί είναι πιο εύκολοι να εργαστούν όταν πρόκειται για αλγόριθμους που ελέγχουν την χαρτογράφηση και τον σχεδιασμό κίνησης. Τα ρομποτικά με μαλακά σώματα δεν μπορούν να κάνουν το ίδιο, καθώς είναι εύκαμπτα.

«Το κύριο πρόβλημα με τα ρομποτικά με μαλακά σώματα είναι ότι είναι απεριόριστα διαστάσεων», λέει ο Spielberg. «Κάθε σημείο σε ένα ρομποτικό με μαλακό σώμα μπορεί, σε θεωρία, να παραμορφωθεί με οποιοδήποτε δυνατό τρόπο».

Στον παρελθόν, ερευνητές έχουν χρησιμοποιήσει μια εξωτερική κάμερα για να χαρτογραφήσουν την τοποθεσία του ρομποτικού, η οποία στη συνέχεια τροφοδοτείται πίσω στο πρόγραμμα ελέγχου του ρομποτικού. Η νέα ομάδα έψαξε για έναν τρόπο να δημιουργήσει ένα ρομποτικό με μαλακό σώμα που δεν εξαρτάται από εξωτερική βοήθεια.

«Δεν μπορείτε να τοποθετήσετε έναν απεριόριστο αριθμό αισθητήρων στο ρομποτικό», συνεχίζει ο Spielberg. «Έτσι, η ερώτηση είναι: Πόσοι αισθητήρες έχετε, και πού τοποθετείτε αυτούς τους αισθητήρες για να πάρετε το μέγιστο αποτέλεσμα;»

Οι ερευνητές ανέπτυξαν μια νέα αρχιτεκτονική νευρωνικού δικτύου που μπορεί να βελτιστοποιήσει την τοποθέτηση αισθητήρων και να μάθει να ολοκληρώνει αποτελεσματικά τις εργασίες. Πρώτα, χώρισαν το σώμα του ρομποτικού σε διαφορετικές περιοχές που ονομάζονται «σωματίδια».

Το νευρωνικό δίκτυο χρησιμοποίησε την ταχύτητα παραμόρφωσης κάθε σωματιδίου ως εισαγωγή, και μέσω δοκιμής και λάθους, το δίκτυο μπορεί να μάθει την πιο αποτελεσματική ακολουθία κινήσεων για μια δεδομένη εργασία. Το δίκτυο επίσης κρατάει υπόψη ποια σωματίδια χρησιμοποιούνται περισσότερο από άλλα, ώστε οι εισαγωγές του δικτύου να μπορούν να προσαρμοστούν.

Υπερβαίνοντας τους Ανθρώπους στη Τοποθέτηση Αισθητήρων

Το δίκτυο προτείνει την τοποθέτηση των αισθητήρων στο ρομποτικό με την βελτιστοποίηση των πιο σημαντικών σωματιδίων. Σε δοκιμές, ο αλγόριθμος υπερέβη τους ανθρώπους όταν πρόκειται για την τοποθέτηση των αισθητήρων.

Ο αλγόριθμος ήταν στη συνέχεια δοκιμασμένος ενάντια σε μια σειρά προβλέψεων εμπειρογνωμόνων.

«Το μοντέλο μας υπερέβη τους ανθρώπους σε κάθε εργασία, ακόμη και όταν έβλεπα κάποια από τα σώματα των ρομποτικών και ένιωθα πολύ βέβαιος για το πού θα έπρεπε να τοποθετηθούν οι αισθητήρες», λέει ο Amini. «Παίρνει ότι υπάρχουν πολλές περισσότερες λεπτομέρειες σε αυτό το πρόβλημα από ότι αρχικά περιμέναμε».

Σύμφωνα με τον Spielberg, η νέα ανάπτυξη μπορεί να βοηθήσει στην αυτοματοποίηση της διαδικασίας σχεδιασμού των ρομποτικών και να βοηθήσει στην ανάπτυξη νέων αλγορίθμων για τον έλεγχο των κινήσεων των ρομποτικών.

«…επίσης πρέπει να σκεφτούμε πώς θα αισθητηριοποιήσουμε αυτά τα ρομποτικά και πώς αυτό θα αλληλεπιδράσει με άλλα μέρη του συστήματος», λέει. «Αυτό είναι κάτι που χρειάζεται μια πολύ ισχυρή, καλά βελτιστοποιημένη αίσθηση. Έτσι, υπάρχει δυνατότητα για άμεση επίδραση».

«Η αυτοματοποίηση του σχεδιασμού των αισθητηριοποιημένων ρομποτικών με μαλακά σώματα είναι ένα σημαντικό βήμα προς τη γρήγορη δημιουργία έξυπνων εργαλείων που βοηθούν τους ανθρώπους με φυσικές εργασίες», λέει ο Rus. «Οι αισθητήρες είναι ένα σημαντικό μέρος της διαδικασίας, καθώς τους επιτρέπουν στο ρομποτικό να «βλέπει» και να καταλαβαίνει τον κόσμο και τη σχέση του με τον κόσμο».