Mykelektrode robotar mer effektive med ny dyp læring neuralt nettverk

Mykelektrode robotar er et ekstremt viktig verktøy i det videre feltet robotikk, da tradisjonelle og stive robotar ikke kan fullføre de samme typene oppgaver. Den førstnevnte interagerer med mennesker tryggere, og de kan gjøre ting som å passe inn i små rom.

En av de største utfordringene med myke robotar er at de må vite hvor alle deres kroppsdeler er for å fullføre programmeringsoppgaver, og dette blir vanskeligere ettersom myke robotar kan deformere på nesten uendelige måter.

Nå har forskere ved MIT utviklet en ny dyp læring algoritme som hjelper ingeniører med å designe myke robotar på en måte som gjør det mulig for dem å samle inn mer data om omgivelsene. Algoritmen fungerer ved å foreslå en optimal plassering av sensorer innenfor robotens kropp. Dette gjør det mulig for den å fullføre tilordnede oppgaver samtidig som den interagerer med miljøet.

Alexander Amini er medforfatter av forskningen sammen med Andrew Spielberg, begge PhD-studenter ved MIT Computer Science and Artificial Intelligence Laboratory. Forskningen ble publisert i IEEE Robotics and Automation Letters med andre medforfattere, inkludert Lillian Chin, PhD-student, og Wojciech Matusik og Daniela Rus, professorer ved universitetet.

“Systemet lærer ikke bare en gitt oppgave, men også hvordan man best designer roboten for å løse den oppgaven,” sier Amini. “Sensorplassering er et svært vanskelig problem å løse. Så, å ha løsningen er ekstremt spennende.”

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

Stive vs. Myke Robotar

En av de største fordelene med stive robotar er at de har en begrenset rekkevidde av bevegelser, og selv om dette ser ut som en ulempe, betyr det at det endelige antallet ledd og lemmer fører til mer håndterbare beregninger.

Disse beregningene er enklere å arbeide med når det gjelder algoritmer som kontrollerer kartlegging og bevegelsesplanlegging. Myke robotar kan ikke gjøre det samme, da de er fleksible.

“Hovedproblemet med myke robotar er at de er uendelig dimensjonale,” sier Spielberg. “Hvert punkt på en mykrobody robot kan, i teorien, deformere på hvilken som helst måte.”

I fortiden har forskere brukt en ekstern kamera for å kartlegge robotens posisjon, som deretter blir matet inn i robotens kontrollprogram. Det nye teamet søkte etter en måte å skape en myk robot som ikke var avhengig av eksterne hjelpemidler.

“Du kan ikke plassere et uendelig antall sensorer på roboten selv,” fortsetter Spielberg. “Så, spørsmålet er: Hvor mange sensorer har du, og hvor plasserer du disse sensorene for å få mest mulig utbytte?”

Forskerne utviklet en ny neural nettverksarkitektur som kan optimalisere sensorplasseringer og lære å fullføre oppgaver effektivt. De delte først robotens kropp inn i forskjellige regioner kalt “partikler”.

Neuralt nettverk brukte hver partikkel sin rate av strekk som inndata, og gjennom prøving og feil, kan nettverket lære den mest effektive sekvensen av bevegelser for en gitt oppgave. Nettverket holder også rede på hvilke partikler som brukes mer enn andre, så nettverkets inndata kan justeres.

Overgår Mennesker i Sensorplassering

Nettverket foreslår plasseringen av sensorer på roboten ved å optimalisere de viktigste partiklene. I tester, overgikk algoritmen mennesker når det kom til å finne de mest effektive stedene å plassere sensorer.

Algoritmen ble deretter testet mot en rekke ekspertforutsigelser.

“Vår modell overgikk mennesker betydelig for hver oppgave, selv om jeg så på noen av robotkroppene og følte meg svært sikker på hvor sensorer skulle plasseres,” sier Amini. “Det viser seg at det er mange flere nyanser i dette problemet enn vi først trodde.”

Ifølge Spielberg, kan den nye utviklingen hjelpe med å automatisere robotdesignprosessen og komme opp med nye algoritmer for å kontrollere robotbevegelser.

“… vi må også tenke på hvordan vi skal sensorisere disse robotene, og hvordan det vil samspille med andre komponenter i systemet,” sier han. “Det er noe der du trenger en svært robust, godt optimalisert sansning. Så, det er potensiale for umiddelbar effekt.”

“Automatisering av design av sensoriserte myke robotar er et viktig skritt mot å raskt skape intelligente verktøy som hjelper mennesker med fysiske oppgaver,” sier Rus. “Sensorer er en viktig del av prosessen, da de gjør det mulig for myk robot å “se” og forstå verden og dens forhold til verden.”