Tutkijat kehittivät uuden menetelmän pehmeiden robottien ohjaamiseen

Massachusettsin teknillisen korkeakoulun tutkijat ovat kehittäneet tavan ohjata ja suunnitella pehmeitä roboteja tarkoitukseen sopiviksi. Tämä on ollut pitkään tavoitteena pehmeiden robotien tutkimuksessa, ja se on suuri saavutus.

Pehmeät robotit ovat joustavia ja voivat liikkua äärettömässä määrässä eri tapoja kerran. Laskennallisesti tämä on hyvin monimutkainen “tilan esitys”, joka kuvailee robotin liikkeitä. Nämä voivat mahdollisesti olla miljoonien ulottuvuuksien, mikä tekee siitä vaikeamman laskea parasta tapaa robotin suorittamiseen tarkoitukseen sopiviksi.

MIT-tutkijat esittävät mallin Neural Information Processing Systems -konferenssissa joulukuussa. Malli pystyy oppimaan tiivistan, “matala-uloitteisen” tilan esityksen, joka perustuu robotin fysiikkaan, ympäristöön ja muihin tekijöihin. Malli on sitten kykenevä optimoimaan liikkeen ohjausta sekä materiaalin suunnitteluparametreja, jotka on suunniteltu tarkoitukseen sopiviksi.

Andrew Spielberg on jatko-opiskelija Computer Science and Artificial Intelligence Laboratory (CSAIL) -laboratoriossa.

“Pehmeät robotit ovat äärettömässä määrässä eri tapoja liikkuvia olentoja, mutta totuus on, että on luonnollisia tapoja, joilla pehmeät esineet ovat todennäköisesti taipuvia. Me löysimme, että pehmeiden robotien luonnolliset tilat voidaan kuvailla hyvin tiivisti matala-uloitteisessa esityksessä. Me optimoimme ohjausta ja suunnittelua pehmeille roboteille oppimalla hyvän kuvaus todennäköisistä tiloista.”

Simuloinneissa, jotka toteutettiin, malli mahdollisti 2D- ja 3D-pehmeiden robotien suorittamisen tarkoitukseen sopiviksi. Tehtävät sisälsivät liikkumisen eri matkoja ja saavuttamisen tarkoitukseen sopiviksi paikkoihin. Malli pystyi tekemään nämä nopeammin ja tarkemmin kuin muut nykyiset menetelmät. Tutkijat haluavat nyt käyttää mallia oikeissa pehmeissä roboteissa.

Muita henkilöitä, jotka työskentelivät projektissa, olivat CSAIL-jatko-opiskelijat Allan Zhao, Tao Du ja Yuanming Hu; Daniel Rus, CSAIL:n johtaja ja Andrew ja Erna Viterbi -professori sähkötekniikassa ja tietojenkäsittelytieteessä; ja Wojciech Matusik, MIT:n apulaisprofessori sähkötekniikassa ja tietojenkäsittelytieteessä ja Computational Fabrication Groupin johtaja.

Pehmeiden robotien tutkimus on kasvava ala, joka on erittäin tärkeä edistyneiden robotiikka-alan laajemmassa yhteydessä. Ominaisuudet, kuten joustavat kehot, voivat pelata roolia turvallisemmassa vuorovaikutuksessa ihmisten kanssa, esineiden käsittelyssä, manööverissä ja paljon muussa.

Simuloinneissa “havainnontekijä” on vastuussa robottien ohjaamisesta. “Havainnontekijä” on ohjelma, joka laskee muuttujia, jotka näkevät, miten pehmeä robotti liikkuu tehdäkseen tehtävän.

Lopulta tutkijat kehittivät uuden “oppimis-silmukka-optimoinnin” menetelmän. Kaikki optimoidut parametriarvot ovat opittu yhden palautusilmukan aikana, joka tapahtuu useiden simulointien aikana. Samalla menetelmä oppii tilan esityksen.

Malli käyttää menetelmää, jota kutsutaan “materiaalipistemenetelmäksi” (MPM). MPM simuloi jatkuvien materiaalien, kuten vaahdon ja nesteen, käyttäytymistä, ja se on ympäröity taustaruudukolla. Menetelmä pystyy kaappaamaan robotin ja sen havaittavissa olevan ympäristön 3D-pikseleihin eli vokseleihin.

Raaka pisteuruudun tieto lähetetään sitten koneoppimiskomponenttiin. Se oppii syöttämään kuvan, pakkaamaan sen matala-uloitteiseen esitykseen ja sitten purkamaan sen takaisin syötekuvaksi.

Opittu pakattu esitys toimii robotin matala-uloitteisena tilan esityksenä. Pakattu esitys palautetaan takaisin ohjaimen optimointivaiheeseen, ja se antaa laskennallisen toiminnan, joka kertoo, miten kunkin pisteen on liikuttava seuraavassa MPM-stimuloidussa vaiheessa.

Samalla ohjain käyttää tietoa sovittamaan optimaalista jäykkyysarvoa kullekin pisteelle. Materiaalitiedot voivat olla käytössä 3D-tulostettaessa pehmeitä roboteja, koska kunkin pisteen kohtaa voidaan tulostaa eri jäykkyysarvolla.

“Tämä mahdollistaa robotin suunnittelun, joka on suunniteltu robotin liikkeisiin, jotka ovat relevantteja tiettyihin tehtäviin”, Spielberg sanoo. “Opimalla nämä parametriarvot yhdessä, pidetään kaikki mahdollisimman synchronoituina tehdäkseen suunnitteluprosessin helpommaksi.”

Tutkijat toivovat, että he pystyvät lopulta suunnittelemaan simulaatiosta valmistukseen.