Onderzoekers ontwikkelen nieuwe methode voor het besturen van zachte robots

Onderzoekers van het Massachusetts Institute of Technology hebben een manier gevonden om zachte robots beter te besturen en te ontwerpen om specifieke taken uit te voeren. Dit is al lange tijd een doel in de soft-robotica en het is een grote prestatie.

Zachte robots hebben flexibele lichamen die op oneindig veel manieren kunnen bewegen op elk moment. Wat betreft berekening is dit een zeer complexe “toestandsweergave”, die de bewegingen van elk deel van de robot beschrijft. Deze kunnen mogelijk miljoenen dimensies hebben, wat betekent dat het moeilijker is om de beste manier te berekenen voor een robot om complexe taken uit te voeren.

De onderzoekers van MIT zullen in december een model presenteren op de Conference on Neural Information Processing Systems. Het model kan een compacte, of “lage-dimensionale” toestandsweergave leren die gebaseerd is op de fysica van de robot, de omgeving en andere factoren. Het model kan vervolgens de bewegingscontrole en materiaalontwerpparameters co-optimaliseren, die gericht zijn op specifieke taken.

Andrew Spielberg is een promovendus in het Computer Science and Artificial Intelligence Laboratory (CSAIL).

“Zachte robots zijn oneindig-dimensionale wezens die op een miljard manieren kunnen buigen op elk moment, maar in werkelijkheid zijn er natuurlijke manieren waarop zachte objecten waarschijnlijk zullen buigen. We vinden dat de natuurlijke toestanden van zachte robots zeer compact kunnen worden beschreven in een lage-dimensionale beschrijving. We optimaliseren de controle en het ontwerp van zachte robots door een goede beschrijving te leren van de waarschijnlijke toestanden.”

In de simulaties die hebben plaatsgevonden, heeft het model 2D- en 3D-zachte robots in staat gesteld om de taken uit te voeren. De taken omvatten het afleggen van verschillende afstanden en het bereiken van doelgebieden. Het model kon deze taken sneller en nauwkeuriger uitvoeren dan andere huidige methoden. De onderzoekers willen het model nu gebruiken in echte zachte robots.

Andere personen die aan het project hebben gewerkt, zijn CSAIL-promovendi Allan Zhao, Tao Du en Yuanming Hu; Daniel Rus, directeur van CSAIL en de Andrew en Erna Viterbi-hoogleraar in elektrotechniek en informatica; en Wojciech Matusik, een MIT-hoogleraar in elektrotechniek en informatica en hoofd van de Computational Fabrication Group.

Soft-robotica is een groeiend veld dat zeer belangrijk is binnen het bredere kader van geavanceerde robotica. Eigenschappen zoals flexibele lichamen kunnen een rol spelen bij het veiliger omgaan met mensen, objectmanipulatie, manoeuvreerbaarheid en veel meer.

Tijdens de simulaties is een “observer” verantwoordelijk voor de controle van de robots. Een “observer” is een programma dat variabelen berekent die zien hoe de zachte robot beweegt om een taak uit te voeren.

Uiteindelijk hebben de onderzoekers een nieuwe “learning-in-the-loop-optimalisatie” methode ontwikkeld. Alle geoptimaliseerde parameters worden geleerd tijdens een enkele feedbacklus die plaatsvindt over meerdere simulaties. Tegelijkertijd leert de methode de toestandsweergave.

Het model gebruikt een techniek genaamd “material point method (MPM)”. Een MPM simuleert het gedrag van deeltjes van continuümmaterialen, zoals schuimen en vloeistoffen, en wordt omgeven door een achtergrondrooster. De techniek kan de deeltjes van de robot en zijn waarneembare omgeving vastleggen in 3D-pixels, of voxels.

De ruwe deeltjesroosterinformatie wordt vervolgens naar een machine learning-component gestuurd. Deze leert om een afbeelding in te voeren, deze te comprimeren tot een lage-dimensionale weergave en vervolgens weer te decomprimeren tot de invoerafbeelding.

De geleerde gecomprimeerde weergave fungeert als de lage-dimensionale toestandsweergave van de robot. De gecomprimeerde weergave keert terug naar de controller in een optimalisatiefase en produceert een berekende actie voor hoe elk deeltje moet bewegen in de volgende MPM-gestimuleerde stap.

Tegelijkertijd gebruikt de controller de informatie om de optimale stijfheid van elk deeltje aan te passen. De materiaalinformatie kan worden gebruikt voor 3D-printen van zachte robots, omdat elk deeltjeplek kan worden geprint met een andere stijfheid.

“Dit maakt het mogelijk om robotontwerpen te creëren die zijn aangepast aan de robotbewegingen die relevant zijn voor specifieke taken”, zegt Spielberg. “Door deze parameters samen te leren, houdt u alles zo gesynchroniseerd als mogelijk om het ontwerpproces gemakkelijker te maken.”

De onderzoekers hopen dat ze uiteindelijk in staat zullen zijn om te ontwerpen van simulatie tot fabricage.