Ingeniører utvikler verktøy for å forbedre enhver autonom robotisk system

Et team av ingeniører ved MIT har utviklet en optimeringskode for å forbedre enhver autonom robotisk system. Koden identifiserer automatisk hvordan og hvor systemet kan endres for å forbedre robotens ytelse.

Ingeniørenes funn skal presenteres på den årlige Robotics: Science and Systems-konferansen i New York. Teamet inkluderte Charles Dawson, MIT-student, og ChuChu Fan, assistentprofessor ved MITs avdeling for luftfart og romfart.

Design av AI og robotiske systemer

Kunstig intelligens (AI) og robotiske systemer brukes i en rekke industrier, og hvert system er resultatet av en designprosess som er spesifikk for det enkelte systemet. For å designe en autonom robot, baserer ingeniører seg på prøving og feil-simuleringer som ofte er informert av intuisjon. Samtidig er simuleringene tilpasset de spesifikke komponentene i roboten og dens tiltenkte oppgaver, noe som betyr at det ikke finnes noen “rezept” for å sikre en vellykket utgang.

MIT-ingeniørene endrer dette med deres nye generelle designverktøy for robotikk. De har utviklet en optimeringskode som kan brukes på simuleringer av nesten ethvert autonomt robotisk system, og den hjelper med å automatisk identifisere måtene å forbedre robotens ytelse på.

Verktøyet viste evnen til å forbedre ytelsen til to svært forskjellige autonome systemer. Det første systemet bestod av en robot som navigerte en vei mellom to hindringer, og det andre var et par roboter som arbeidet sammen for å flytte en tung boks.

Ifølge forskerne kan dette nye generelle optimeringsverktøyet hjelpe med å påskynde utviklingen av en rekke autonome systemer, som f.eks. gående roboter eller selvstyrt kjøretøy.

Dawson og Fan sa at de innsett behovet for dette verktøyet etter å ha observert de andre automatiserte designverktøyene som er tilgjengelige for andre ingeniørdisipliner.

“Hvis en mekanisk ingeniør ønsker å designe en vindturbin, kan de bruke et 3D CAD-verktøy til å designe strukturen, og deretter bruke en finite-element analyse-verktøy til å sjekke om den vil motstå visse belastninger,” sier Dawson. “Men det finnes en mangel på disse datamaskinbaserte designverktøyene for autonome systemer.”

For å optimere et autonomt system, utvikler en robotikk-ingeniør vanligvis først en simulering av systemet og dets samspillende subsystemer før de tar visse parametre fra hver komponent. Simuleringen kjøres deretter fremover for å se hvordan systemet vil fungere.

Flere prøving-og-feil-prosesser må kjøres før den optimale kombinasjonen av ingredienser kan bestemmes, og dette er en tidskrevende oppgave.

“I stedet for å si ‘Gitt en design, hva er ytelsen?’ ønsker vi å snu dette til å si ‘Gitt ytelsen vi ønsker å se, hva er designet som fører oss dit?'” sier Dawson.

Optimeringsrammen, eller datakoden, ble designet for å automatisk finne justeringer som kan gjøres på et eksisterende system. Koden er basert på automatisk differensiering, som er et programmeringsverktøy som opprinnelig ble brukt til å trene neurale nettverk. Også kalt “autodiff”, hjelper denne teknikken med å raskt og effektivt “evaluere derivatet”, eller sensitiviteten til endring av ethvert parameter.

“Vår metode forteller oss automatisk hvordan vi kan ta små skritt fra en initial design mot en design som oppnår våre mål,” sier Dawson. “Vi bruker autodiff til å grave inn i koden som definerer en simulator, og finne ut hvordan vi kan gjøre denne inversjonen automatisk.”

Testing av verktøyet

Verktøyet ble testet på to separate autonome robotiske systemer, og det forbedret hver systems ytelse i laboratorieeksperimenter. Mens det første systemet bestod av en hjulrobot designet til å planlegge en vei mellom to hindringer, var det andre systemet som var virkelig imponerende.

Det andre systemet var mer komplekst med to hjulroboter som arbeidet sammen for å skyve en boks mot en målposisjon, noe som betyr at simuleringen inkluderte mange flere parametre. Verktøyet kunne effektivt identifisere skrittene som var nødvendige for robotene for å fullføre oppgaven, og optimeringsprosessen var 20 ganger raskere enn konvensjonelle teknikker.

“Hvis systemet ditt har flere parametre å optimere, kan vårt verktøy gjøre enda bedre og kan spare eksponentielt mer tid,” sier Fan. “Det er grundig en kombinatorisk valg: jo flere parametre, jo flere valg, og vår tilnærming kan redusere dette på én gang.”

Det generelle optimeringsverktøyet er tilgjengelig for nedlasting, og teamet vil nå se på å videreutvikle det, noe som vil gjøre det nyttig for mer komplekse systemer.

“Vårt mål er å gi folk mulighet til å bygge bedre roboter,” sier Dawson. “Vi tilbyr en ny byggestein for å optimere deres system, så de ikke må starte fra scratch.”