軟體機器人更高效的新型深度學習神經網路

軟體機器人是在機器人領域中非常重要的工具，因為傳統的rigid-bodied機器人無法完成相同的任務。前者與人類的互動更安全，而且可以做到像擠進狹窄的空間等事情。

軟體機器人的一個主要挑戰是，它們必須知道自己身體的所有部分的位置，以完成編程任務，而且這變得更加困難，因為軟體機器人可以在幾乎無限的方式下變形。

現在，麻省理工學院的研究人員開發了一種新的深度學習算法，幫助工程師設計軟體機器人，以便它們可以收集更多關於周圍環境的數據。該算法通過建議機器人身體內的最佳傳感器位置來工作。這使得它可以完成指定的任務，並與環境進行交互。

Alexander Amini是研究的共同第一作者，Andrew Spielberg也是共同第一作者，兩人都是麻省理工學院計算機科學和人工智慧實驗室的博士生。該研究發表在IEEE機器人和自動化信札上，其他共同作者包括Lillian Chin博士生，Wojciech Matusik和Daniela Rus教授。

“該系統不僅學習了一個任務，而且還學習了如何最佳地設計機器人來解決該任務，”Amini說。“傳感器放置是一個非常困難的問題。因此，得到解決方案是非常令人興奮的。”

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

rigid和軟體機器人

rigid機器人的最大優點之一是，它們的運動範圍有限，雖然這看起來像是一個缺點，但它意味著有限的關節和肢體數量，從而導致更容易管理的計算。

這些計算在控制映射和運動規劃算法時更容易工作。軟體機器人不能做同樣的事情，因為它們是柔性的。

“軟體機器人的主要問題是，它們是無限維的，”Spielberg說。“理論上，軟體機器人身體上的任何點都可以以任何可能的方式變形。”

在過去，研究人員使用外部攝像頭來繪製機器人的位置，然後將其反饋到機器人的控制程序中。新的團隊尋找了一種方法來創建一個不依賴外部幫助的軟體機器人。

“你不能在機器人本身上放置無限多的傳感器，”Spielberg繼續說。“所以，問題是：你有多少傳感器，你把這些傳感器放在哪裡，以得到最大的收益？”

研究人員開發了一種新的神經網路架構，可以優化傳感器放置並學習高效地完成任務。它們首先將機器人的身體分成不同的區域，稱為“粒子”。

神經網路使用每個粒子的應變率作為輸入，通過試錯，網路可以學習最有效的運動序列，以完成給定的任務。網路還跟蹤哪些粒子被使用得更多，以便網路的輸入可以被調整。

超越人類的傳感器放置

網路通過優化最重要的粒子來建議機器人身體上的傳感器放置。測試中，算法在傳感器放置位置上超越了人類。

算法隨後被測試對一系列專家預測。

“我們的模型在每個任務中都遠遠超越了人類，儘管我查看了一些機器人身體，覺得自己對傳感器的位置很有信心，”Amini說。“結果表明，這個問題中有很多我們最初沒有預料到的細微差別。”

根據Spielberg的說法，新的發展可以幫助自動化機器人設計過程，並幫助開發新的算法來控制機器人運動。

“…我們也需要思考如何傳感化這些機器人，以及這將如何與系統的其他組件進行交互，”他說。“這是需要一個非常強大、優化良好的觸覺的東西。因此，這有可能產生立即的影響。”

“自動化設計傳感化軟體機器人是快速創建智能工具以幫助人們完成物理任務的重要一步，”Rus說。“傳感器是這個過程中的重要方面，因為它們使軟體機器人能夠‘看到’和理解世界及其與世界的關係。”