Insinöörit kehittivät työkalun parantamaan minkä tahansa autonomisen robotti-järjestelmän

MIT:n insinööritiimi on kehittänyt optimointikoodin, joka parantaa minkä tahansa autonomisen robotti-järjestelmän suorituskykyä. Koodi tunnistaa automaattisesti, miten ja missä järjestelmää voidaan muuttaa parantamaan robotin suorituskykyä.

Insinöörien tulokset esitetään vuosittaisessa Robotics: Science and Systems -konferenssissa New Yorkissa. Tiimiin kuului Charles Dawson, MIT:n jatko-opiskelija, ja ChuChu Fan, apulaisprofessori MIT:n ilmailu- ja avaruustekniikan laitoksessa.

Tekeillä oleva suunnittelutyökalu robotti-järjestelmille

Tekoäly (AI) ja robotti-järjestelmät ovat laajasti käytössä monilla aloilla, ja kunkin järjestelmän suunnittelu on erityinen prosessi, joka on suunniteltu kyseiselle järjestelmälle. Autonomisen robotin suunnittelussa insinöörit luottavat koetuloksiin, jotka perustuvat usein intuitioon. Samalla simulaatiot on räätälöity robotin komponenteille ja sen määrättyihin tehtäviin, mikä tarkoittaa, että ei ole olemassa “reseptiä” menestyksekkään lopputulokseen.

MIT:n insinöörit muuttavat tätä uudella yleispätevällä suunnittelutyökalulla robotti-insinööreille. He kehittivät optimointikoodin, jota voidaan soveltaa melkein mihin tahansa autonomiseen robotti-järjestelmään, ja se auttaa tunnistamaan automaattisesti, miten robotin suorituskykyä voidaan parantaa.

Työkalu osoitti kykynsä parantaa kahden erilaisen autonomisen järjestelmän suorituskykyä. Ensimmäinen järjestelmä koostui pyörillä varustetusta robotista, joka suunnitteli reitin kahden esteen välillä, ja toinen järjestelmä oli monimutkaisempi, jossa kaksi pyörillä varustettua robottia työskenteli yhdessä siirtääkseen raskasta laatikkoa.

Tutkijoiden mukaan tämä uusi yleispätevä optimoija voi auttaa nopeuttamaan autonomisten järjestelmien kehittämistä, kuten kävelevien robotien tai itseohjautuvien ajoneuvojen kehittämistä.

Dawson ja Fan kertoivat, että he tajusivat tämänkaltaisen työkalun tarpeen havainnoimalla muiden automaattisten suunnittelutyökalujen saatavuutta muilla insinööritieteiden aloilla.

“Jos mekaaninen insinööri haluaa suunnitella tuulivoimalan, hän voi käyttää 3D-CAD-työkalua suunnittelemaan rakennetta, ja sitten käyttää laskentatyökalua tarkistamaan, kestääkö se tiettyjä kuormituksia”, Dawson sanoo. “Autonomisten järjestelmien kohdalla tällaisia tietokoneavusteisia suunnittelutyökaluja ei ole.”

Autonomisen järjestelmän optimoimiseksi robotti-insinööri kehittää yleensä ensin simulaation järjestelmästä ja sen vuorovaikutussuhteista ennen kuin ottaa tiettyjä parametreja kustakin komponentista. Simulaatio suoritetaan eteenpäin, jotta voidaan nähdä, miten järjestelmä toimii.

Useita koetuloksia on suoritettava ennen kuin voidaan määrittää optimaalinen yhdistelmä aineita, ja tämä on aikaa vievä prosessi.

“Sen sijaan, että sanottaisiin ‘Annetaan suunnitelma, mitä suorituskyky on?’, halusimme kääntää tämän ja sanoa ‘Annetaan suorituskyky, jonka haluamme nähdä, mitä suunnitelma on, joka saa meidät sinne?'” Dawson sanoo.

Optimointikehys, eli tietokoneohjelma, suunniteltiin etsimään automaattisesti muutoksia, joita voidaan tehdä olemassa olevaan järjestelmään. Ohjelma perustuu automaattiseen derivaattaan, joka on ohjelmointityökalu, jota alun perin käytettiin neuroverkkojen koulutukseen. Tämä tekniikka auttaa arvioimaan nopeasti ja tehokkaasti “johdosta”, eli minkä tahansa parametrin muutokseen.

“Menetelmämme kertoo meille automaattisesti, miten tehdä pieniä askelia alkuperäisestä suunnitelmasta kohti suunnitelmaa, joka saavuttaa tavoitteemme”, Dawson sanoo. “Käytämme autodiffiä etsimään simulaattorin määrittelevää koodia ja selvittämään, miten tehdä tämä kääntäminen automaattisesti.”

Työkalun testaaminen

Työkalu testattiin kahdella erillisellä autonomisella robotti-järjestelmällä, ja se paransi kummankin järjestelmän suorituskykyä laboratoriotesteissä. Ensimmäinen järjestelmä koostui pyörillä varustetusta robotista, joka suunnitteli reitin kahden esteen välillä, mutta toinen järjestelmä oli vaikuttavampi.

Toinen järjestelmä oli monimutkaisempi, jossa kaksi pyörillä varustettua robottia työskenteli yhdessä siirtääkseen raskasta laatikkoa, mikä tarkoitti, että simulaatio sisälsi paljon enemmän parametreja. Työkalu pystyi tehokkaasti tunnistamaan tarvittavat vaiheet, jotta robotit pystyisivät suorittamaan tehtävänsä, ja optimointiprosessi oli 20 kertaa nopeampi kuin perinteiset menetelmät.

“Jos järjestelmällä on enemmän parametreja, joita voidaan optimoida, työkalumme voi tehdä vielä paremmin ja voi säästää eksponentiaalisesti enemmän aikaa”, Fan sanoo. “Se on periaatteessa kombinatorinen valinta: mitä enemmän parametreja on, sitä enemmän valintoja on, ja lähestymistapamme voi vähentää sitä yhdellä kertaa.”

Yleinen optimoija on ladattavissa, ja tiimi aikoo nyt kehittää sitä edelleen, mikä tekee siitä hyödyllisemmän monimutkaisemmissa järjestelmissä.

“Tavoitteemme on antaa ihmisille mahdollisuus rakentaa parempia roboteja”, Dawson sanoo. “Tarjoamme uuden rakennuspalikan heidän järjestelmänsä optimoimiseksi, jotta he eivät tarvitse aloittaa alusta.”