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 målrettede oppgaver. Dette har vært et mål i myk robotikk i lang tid, og det er en stor prestasjon.

Myke roboter har fleksible kropper som kan bevege seg på ubegrenset mange måter samtidig. I forhold til beregning er dette en svært kompleks “tilstandsrepresentasjon” som beskriver bevegelsene til hver del av roboten. Disse kan muligens ha millioner av dimensjoner, noe som gjør det vanskeligere å beregne den beste måten for en robot å fullføre komplekse målrettede oppgaver på.

MIT-forskerne vil presentere en modell på Conference on Neural Information Processing Systems i desember. Modellen kan lære en kompakt, eller “lav-dimensjonal” tilstandsrepresentasjon som er basert på fysikken til roboten, miljøet og andre faktorer. Modellen kan deretter samoptimerere bevegelseskontroll og materiale-designparametere, som er rettet mot bestemte oppgaver.

Andrew Spielberg er en masterstudent i Computer Science and Artificial Intelligence Laboratory (CSAIL).

“Myke roboter er ubegrensede, mangfoldige skapninger som bøyer seg i en milliard forskjellige måter samtidig, men i virkeligheten er det naturlige måter myke objekter er sannsynlig å bøye seg på. Vi finner at de naturlige tilstandene til myke roboter kan beskrives svært kompakt i en lav-dimensjonal beskrivelse. Vi optimaliserer kontroll og design av myke roboter ved å lære en god beskrivelse av de sannsynlige tilstandene.”

I simuleringsforsøkene kunne modellen aktivere 2D- og 3D-myke roboter til å fullføre målrettede oppgaver. Oppgavene inkluderte å bevege seg forskjellige avstander og nå målpunkter. Modellen kunne gjøre disse oppgavene raskere og mer nøyaktig enn andre metoder. Forskerne ønsker nå å bruke modellen i virkelige myke roboter.

Andre personer som arbeidet på prosjektet inkluderer CSAIL-masterstudenter Allan Zhao, Tao Du og Yuanming Hu; Daniel Rus, direktør for CSAIL og Andrew og Erna Viterbi Professor of Electrical Engineering and Computer Science; og Wojciech Matusik, en MIT-associate professor i elektrisk ingeniørvesen og datavitenskap og leder av Computational Fabrication Group.

Myk robotikk er et voksende felt som er svært viktig i den større sammenhengen av avansert robotikk. Egenskaper som fleksible kropper kan spille en rolle i tryggere samhandling med mennesker, objekthåndtering, manøvrerbarhet og mye mer.

Under simuleringsforsøkene er en “observer” ansvarlig for kontrollen av robotene. En “observer” er et program som beregner variabler som ser hvordan den myke roboten beveger seg for å fullføre en oppgave.

Til slutt utviklet forskerne en ny “læring-i-løkken-optimiering” metode. Alle optimaliserte parametre lærer under en enkelt tilbakemeldingsløkke som skjer over flere simuleringsforsøk. Samtidig lærer metoden tilstandsrepresentasjonen.

Modellen bruker en teknikk som kalles “materiell punktmetode (MPM)”. En MPM simulerer atferden til partikler av kontinuummaterialer, som skum og væsker, og er omgitt av en bakgrunnsraster. Tekniken kan fange partiklene til roboten og dens observerbare miljø inn i 3D-piksler, eller voxler.

Den rå partikkelrasterinformasjonen sendes deretter til en maskinlæringskomponent. Den lærer å ta inn et bilde, komprimere det til en lav-dimensjonal representasjon og deretter dekomprimere det tilbake til inngangsbildet.

Den lærte komprimerte representasjonen fungerer som robotens lav-dimensjonale tilstandsrepresentasjon. Den komprimerte representasjonen løper tilbake til kontrolleren i en optimeringsfase, og den produserer en beregnet handling for hvordan hver partikkel skal bevege seg i neste MPM-stimulerte steg.

Samtidig bruker kontrolleren informasjonen til å justere den optimale stivheten til hver partikkel. Materiellinformasjonen kan brukes til 3D-utskrift av myke roboter, siden hver partikkel kan utskrives med forskjellig stivhet.

“Dette tillater å lage robotdesigner som er tilpasset robotbevegelser som vil være relevante for bestemte oppgaver,” sier Spielberg. “Ved å lære disse parameterne sammen, holder du alt synkronisert så mye som mulig for å gjøre designprosessen enklere.”

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