Forskere utvikler ny metode for å kontrollere myke roboter

Forskere fra Massachusetts Institute of Technology har funnet ut en måte å bedre kontrollere og designe myke roboter for å utføre måloppgaver. Dette har vært et mål innen soft-robotics i lang tid, og det er en stor prestasjon. 

Myke roboter har fleksible kropper som er i stand til å bevege seg på et uendelig antall måter til enhver tid. Når det gjelder beregning, er dette en svært kompleks "tilstandsrepresentasjon", som beskriver bevegelsene til hver del av roboten. Disse kan muligens ha millioner av dimensjoner, noe som betyr at det er vanskeligere å beregne den beste måten for en robot å fullføre komplekse måloppgaver.

MIT-forskerne vil presentere en modell på Conference on Neural Information Processing Systems i desember. Modellen er i stand til å lære en kompakt, eller "lavdimensjonal" tilstandsrepresentasjon som er basert på fysikken til roboten, miljøet og andre faktorer. Modellen er da i stand til å co-optimalisere bevegelseskontroll samt materialdesign parametere, Disse er da rettet mot spesifikke oppgaver. 

Andrew Spielberg er en doktorgradsstudent ved Computer Science and Artificial Intelligence Laboratory (CSAIL). 

"Myke roboter er uendelig dimensjonale skapninger som bøyer seg på en milliard forskjellige måter til enhver tid, men i sannhet er det naturlige måter myke objekter sannsynligvis vil bøye seg på. Vi finner at de naturlige tilstandene til myke roboter kan beskrives svært kompakt i en lavdimensjonal beskrivelse. Vi optimerer kontroll og design av myke roboter ved å lære en god beskrivelse av de sannsynlige tilstandene."

I simuleringene som fant sted, aktiverte modellen myke 2D- og 3D-roboter for å fullføre måloppgavene. Oppgavene inkluderte å flytte forskjellige avstander og nå målpunktene. Modellen klarte å gjøre disse raskere og mer nøyaktig enn andre nåværende metoder. Forskerne vil nå bruke modellen i ekte myke roboter. 

Andre personer som jobbet med prosjektet inkluderer CSAIL-studenter, Allan Zhao, Tao Du og Yuanming Hu; Daniel Rus, direktør for CSAIl og Andrew og Erna Viterbi professor i elektroteknikk og informatikk; og Wojciech Matusik, en MIT førsteamanuensis i elektroteknikk og informatikk og leder av Computational Fabrication Group. 

Soft-robotics er et voksende felt som er ekstremt viktig innenfor det større omfanget av avansert robotikk. Egenskaper som fleksible kropper kan spille en rolle i sikrere interaksjon med mennesker, objektmanipulering, manøvrerbarhet og mye mer. 

Under simuleringene er en "observatør" ansvarlig for kontrollen av robotene. En "observator" er et program som beregner variabler som ser hvordan den myke roboten beveger seg for å fullføre en oppgave. 

Etter hvert utviklet forskerne en ny "learning-in-the-loop optimization"-metode. Alle optimaliserte parametere læres i løpet av en enkelt tilbakemeldingssløyfe som foregår over flere simuleringer. Samtidig lærer metoden statens representasjon. 

Modellen bruker en teknikk kalt en "material point method (MPM). En MPM simulerer oppførselen til partikler av kontinuummaterialer, som skum og væsker, og den er omgitt av et bakgrunnsnett. Teknikken er i stand til å fange partiklene til roboten og dens observerbare miljø i 3D-piksler, eller voksler. 

Rå partikkelnettinformasjonen sendes deretter til en maskinlæringskomponent. Den lærer å legge inn et bilde, komprimere det til en lavdimensjonal representasjon, og deretter dekomprimere det tilbake til inngangsbildet. 

Den lærte komprimerte representasjonen fungerer som robotens lavdimensjonale tilstandsrepresentasjon. De komprimerte representasjonene går tilbake i kontrolleren i en optimaliseringsfase, og den gir ut en beregnet handling for hvordan hver partikkel så skal bevege seg i neste MPM-stimulerte trinn. 

Samtidig bruker kontrolleren informasjonen til å justere den optimale stivheten til hver partikkel. Materialinformasjonen kan brukes til 3D-printing av myke roboter, siden hver partikkelflekk kan skrives ut med forskjellig stivhet. 

"Dette gjør det mulig å lage robotdesign tilpasset robotbevegelsene som vil være relevante for spesifikke oppgaver," sier Spielberg. "Ved å lære disse parameterne sammen, holder du alt så synkronisert som mulig for å gjøre designprosessen enklere."

Forskerne håper at de etter hvert vil kunne designe fra simulering til fabrikasjon.