Tutkijat kehittävät uuden menetelmän pehmeiden robottien hallintaan

Tutkijat Massachusetts Institute of Technology ovat keksineet tavan ohjata ja suunnitella pehmeitä robotteja paremmin kohdetehtävien suorittamiseen. Tämä on ollut tavoite soft-robotiikassa jo pitkään, ja se on iso saavutus. 

Pehmeillä roboteilla on taipuisat rungot, jotka pystyvät liikkumaan äärettömällä määrällä eri tapoja milloin tahansa. Laskennan kannalta tämä on erittäin monimutkainen "tilaesitys", joka kuvaa robotin kunkin osan liikkeitä. Näillä voi olla miljoonia ulottuvuuksia, mikä tarkoittaa, että on vaikeampaa laskea robotin parasta tapaa suorittaa monimutkaisia ​​kohdetehtäviä.

MIT-tutkijat esittelevät mallin joulukuussa järjestettävässä neuroinformaationkäsittelyjärjestelmien konferenssissa. Malli pystyy oppimaan kompaktin eli "matalaulotteisen" tilanesityksen, joka perustuu robotin fysiikkaan, ympäristöön ja muihin tekijöihin. Malli pystyy sitten yhteisoptimoimaan liikkeen ohjausta sekä materiaalin suunnitteluparametreja, jotka sitten suunnataan tiettyihin tehtäviin. 

Andrew Spielberg on jatko-opiskelija tietojenkäsittelytieteen ja tekoälyn laboratoriossa (CSAIL). 

"Pehmeät robotit ovat äärettömän ulottuvia olentoja, jotka taipuvat miljardilla eri tavalla kullakin hetkellä, mutta todellisuudessa on olemassa luonnollisia tapoja, joilla pehmeät esineet todennäköisesti taipuvat. Mielestämme pehmeiden robottien luonnolliset tilat voidaan kuvata hyvin tiiviisti pieniulotteisessa kuvauksessa. Optimoimme pehmeiden robottien ohjauksen ja suunnittelun oppimalla hyvän kuvauksen todennäköisistä tiloista."

Tapahtuneissa simulaatioissa malli mahdollisti 2D- ja 3D-pehmeät robotit suorittamaan kohdetehtävät. Tehtäviin kuului eri etäisyyksillä liikkumista ja kohdepisteiden saavuttamista. Malli pystyi tekemään nämä nopeammin ja tarkemmin kuin muut nykyiset menetelmät. Tutkijat haluavat nyt käyttää mallia todellisissa pehmeissä roboteissa. 

Muita projektin parissa työskennelleitä henkilöitä ovat CSAILin jatko-opiskelijat, Allan Zhao, Tao Du ja Yuanming Hu; Daniel Rus, CSAIlin johtaja ja Andrew ja Erna Viterbi sähkötekniikan ja tietojenkäsittelytieteen professori; ja Wojciech Matusik, MIT:n sähkötekniikan ja tietojenkäsittelytieteen apulaisprofessori ja Computational Fabrication Groupin johtaja. 

Pehmeä robotiikka on kasvava ala, joka on erittäin tärkeä kehittyneen robotiikan laajemmassa laajuudessa. Ominaisuudet, kuten joustavat rungot, voivat vaikuttaa turvallisempaan vuorovaikutukseen ihmisten kanssa, esineiden manipuloinnissa, ohjattavuudessa ja paljon muuta. 

Simulaatioiden aikana robottien ohjauksesta vastaa ”tarkkailija”. "Tarkkailija" on ohjelma, joka laskee muuttujia, jotka näkevät tavan, jolla pehmeä robotti liikkuu tehtävän suorittamiseksi. 

Lopulta tutkijat kehittivät uuden "learning-in-the-loop-optimointimenetelmän". Kaikki optimoidut parametrit opitaan yhden takaisinkytkentäsilmukan aikana, joka tapahtuu useiden simulaatioiden aikana. Samalla menetelmä oppii tilaesityksen. 

Malli käyttää tekniikkaa, jota kutsutaan "materiaalipistemenetelmäksi (MPM). MPM simuloi jatkuvien materiaalien hiukkasten, kuten vaahtojen ja nesteiden, käyttäytymistä, ja sitä ympäröi taustaverkko. Tekniikka pystyy kaappaamaan robotin hiukkaset ja sen havaittavan ympäristön 3D-pikseleiksi tai vokseleiksi. 

Raakahiukkasverkkotiedot lähetetään sitten koneoppimiskomponenttiin. Se oppii syöttämään kuvan, pakkaamaan sen pieniulotteiseksi esitykseksi ja purkamaan sen sitten takaisin syöttökuvaksi. 

Opittu kompressoitu esitys toimii robotin pieniulotteisena tilaesityksenä. Pakatut esitykset palaavat ohjaimeen optimointivaiheessa ja tulostavat lasketun toiminnon siitä, kuinka kunkin hiukkasen pitäisi sitten liikkua seuraavassa MPM-stimuloidussa vaiheessa. 

Samaan aikaan ohjain käyttää tietoja säätääkseen kunkin hiukkasen optimaalisen jäykkyyden. Materiaalitietoja voitaisiin käyttää 3D-tulostukseen pehmeissä roboteissa, koska jokainen hiukkaspiste voidaan tulostaa eri jäykkyydellä. 

"Tämä mahdollistaa robottisuunnittelun luomisen, joka on huomioitu robotin liikkeissä ja jotka ovat tärkeitä tietyissä tehtävissä", Spielberg sanoo. "Oppimalla nämä parametrit yhdessä pidät kaiken mahdollisimman synkronoituna suunnitteluprosessin helpottamiseksi."

Tutkijat toivovat, että he pystyvät lopulta suunnittelemaan simuloinnista valmistukseen.