I ricercatori sviluppano un nuovo metodo per controllare i robot morbidi

I ricercatori del Massachusetts Institute of Technology hanno scoperto un modo per controllare e progettare meglio i robot morbidi per eseguire compiti target. Questo è stato un obiettivo nel settore dei robot morbidi per molto tempo, e si tratta di un grande risultato.

I robot morbidi hanno corpi flessibili che possono muoversi in un numero infinito di modi in qualsiasi momento. Dal punto di vista computazionale, si tratta di una rappresentazione di stato altamente complessa, che descrive i movimenti di ogni parte del robot. Questi possono avere milioni di dimensioni, il che significa che è più difficile calcolare il modo migliore per un robot per completare compiti target complessi.

I ricercatori del MIT presenteranno un modello alla Conferenza su sistemi di elaborazione delle informazioni neurali a dicembre. Il modello è in grado di apprendere una rappresentazione di stato compatta, o “a bassa dimensionalità”, basata sulla fisica del robot, sull’ambiente e su altri fattori. Il modello è quindi in grado di ottimizzare il controllo del movimento e i parametri di progettazione del materiale, finalizzati a compiti specifici.

Andrew Spielberg è uno studente di dottorato presso il Computer Science and Artificial Intelligence Laboratory (CSAIL).

“I robot morbidi sono creature infinite-dimensionali che si piegano in un miliardo di modi diversi in qualsiasi momento, ma in realtà, ci sono modi naturali in cui gli oggetti morbidi tendono a piegarsi. Troviamo che gli stati naturali dei robot morbidi possono essere descritti in modo molto compatto in una descrizione a bassa dimensionalità. Ottimizziamo il controllo e la progettazione dei robot morbidi apprendendo una buona descrizione degli stati probabili.”

Nelle simulazioni che si sono svolte, il modello ha consentito ai robot morbidi 2D e 3D di completare i compiti target. I compiti includevano lo spostamento di diverse distanze e il raggiungimento di punti target. Il modello è stato in grado di eseguire questi compiti più velocemente e con maggiore precisione rispetto ad altri metodi attuali. I ricercatori ora vogliono utilizzare il modello in robot morbidi reali.

Altri individui che hanno lavorato al progetto includono gli studenti di dottorato del CSAIL Allan Zhao, Tao Du e Yuanming Hu; Daniel Rus, direttore del CSAIL e professore di ingegneria elettrica e informatica Andrew e Erna Viterbi; e Wojciech Matusik, professore associato di ingegneria elettrica e informatica presso il MIT e capo del gruppo di lavorazione computazionale.

La robotica morbida è un settore in crescita che è estremamente importante nell’ambito più ampio della robotica avanzata. Caratteristiche come i corpi flessibili potrebbero svolgere un ruolo importante nell’interazione più sicura con gli esseri umani, nella manipolazione degli oggetti, nella manovrabilità e molto altro.

Durante le simulazioni, un “osservatore” è responsabile del controllo dei robot. Un “osservatore” è un programma che calcola le variabili che vedono il modo in cui il robot morbido si muove per completare un compito.

Alla fine, i ricercatori hanno sviluppato un nuovo metodo di “ottimizzazione dell’apprendimento nella ciclo di feedback”. Tutti i parametri ottimizzati vengono appresi durante un unico ciclo di feedback che si svolge su più simulazioni. Allo stesso tempo, il metodo apprende la rappresentazione di stato.

Il modello utilizza una tecnica chiamata “metodo del punto del materiale (MPM)”. Un MPM simula il comportamento delle particelle di materiali continui, come schiume e liquidi, e viene circondato da una griglia di sfondo. La tecnica è in grado di catturare le particelle del robot e il suo ambiente osservabile in pixel 3D, o voxel.

Le informazioni grezze della griglia delle particelle vengono quindi inviate a un componente di apprendimento automatico. Questo apprende a inserire un’immagine, a comprimerla in una rappresentazione a bassa dimensionalità e quindi a decomprimerla nuovamente nell’immagine di input.

La rappresentazione compressa appresa agisce come rappresentazione di stato a bassa dimensionalità del robot. Le rappresentazioni compresse ritornano nel controllore in una fase di ottimizzazione e questo produce un’azione calcolata per ogni particella che deve muoversi nel prossimo passo stimolato dal MPM.

Allo stesso tempo, il controllore utilizza le informazioni per regolare la rigidità ottimale di ogni particella. Le informazioni sul materiale potrebbero essere utilizzate per la stampa 3D di robot morbidi, poiché ogni punto particellare può essere stampato con rigidità diverse.

“Ciò consente di creare progetti di robot adattati ai movimenti del robot che saranno rilevanti per compiti specifici”, afferma Spielberg. “Apprendendo questi parametri insieme, si mantiene tutto sincronizzato il più possibile per semplificare il processo di progettazione.”

I ricercatori sperano di poter progettare in futuro dalla simulazione alla fabbricazione.