Inżynierowie opracowują narzędzie do poprawy każdego autonomicznego systemu robotycznego

Zespół inżynierów z MIT opracował kod optymalizacyjny do poprawy każdego autonomicznego systemu robotycznego. Kod automatycznie identyfikuje, jak i gdzie zmodyfikować system, aby poprawić wydajność robota.

Odkrycia inżynierów będą przedstawione na corocznej konferencji Robotics: Science and Systems w Nowym Jorku. Zespół obejmował Charlesa Dawsona, studenta MIT, oraz ChuChu Fan, asystenta profesora w Departamencie Aeronautyki i Astronautyki MIT.

Projektowanie systemów AI i robotycznych

Sztuczna inteligencja (AI) i systemy robotyczne są wykorzystywane w szerokim zakresie branż, a każdy system jest wynikiem procesu projektowego specyficznego dla danego systemu. Aby zaprojektować autonomicznego robota, inżynierowie polegają na symulacjach prób i błędów, które często są uzasadnione intuicją. Jednocześnie symulacje są dostosowane do konkretnych komponentów robota i jego przypisanych zadań, co oznacza, że nie ma prawdziwego “przepisu” gwarantującego pomyślne zakończenie.

Inżynierowie z MIT zmieniają to za pomocą swojego nowego ogólnego narzędzia projektowego dla robotyków. Opracowali kod optymalizacyjny, który można zastosować do symulacji niemal każdego autonomicznego systemu robotycznego, i który pomaga automatycznie identyfikować sposoby, w jakie wydajność robota może być poprawiona.

Narzędzie wykazało zdolność do poprawy wydajności dwóch bardzo różnych autonomicznych systemów. Pierwszy system składał się z robota kołowego, który nawigował ścieżkę między dwoma przeszkodami, a drugi to para robotów, które współpracowały, aby przesunąć ciężką skrzynkę.

Według badaczy, nowy ogólny optymalizator może pomóc przyspieszyć rozwój szerokiej gamy autonomicznych systemów, takich jak roboty chodzące lub samochody autonomiczne.

Dawson i Fan powiedzieli, że zrozumieli potrzebę takiego narzędzia po obserwacji różnych innych zautomatyzowanych narzędzi projektowych dostępnych dla innych dyscyplin inżynierskich.

“Jeśli inżynier mechaniczny chciałby zaprojektować turbinę wiatrową, mógłby użyć narzędzia 3D CAD do zaprojektowania struktury, a następnie użyć narzędzia analizy elementów skończonych, aby sprawdzić, czy wytrzyma określone obciążenia”, mówi Dawson. “Jednak brakuje takich komputerowych narzędzi projektowych dla autonomicznych systemów”.

Aby zoptymalizować autonomiczny system, robotyk zwykle najpierw rozwija symulację systemu i jego współdziałających podsystemów, a następnie pobiera pewne parametry każdego komponentu. Następnie symulacja jest uruchamiana do przodu, aby zobaczyć, jak system będzie działał.

Wymagane są wielokrotne procesy prób i błędów przed ustaleniem optymalnej kombinacji składników, co jest czasochłonnym zajęciem.

“Zamiast mówić: ‘Dany projekt, jaka jest wydajność?’ chcieliśmy odwrócić to i powiedzieć: ‘Dana wydajność, jaki jest projekt, który nas tam doprowadzi?'” mówi Dawson.

Ramowa optymalizacji, czyli komputerowy kod, został zaprojektowany, aby automatycznie znaleźć modyfikacje, które można wprowadzić do istniejącego systemu. Kod oparty jest na automatycznym różniczkowaniu, które jest narzędziem programistycznym początkowo używanym do szkolenia sieci neuronowych. Określane również jako “autodiff”, ta technika pomaga szybko i efektywnie “ocenić pochodną”, czyli wrażliwość na zmianę każdego parametru.

“Nasza metoda automatycznie mówi nam, jak wykonać małe kroki od początkowego projektu w kierunku projektu, który osiąga nasze cele”, mówi Dawson. “Używamy autodiff, aby praktycznie wkopać się w kod, który definiuje symulację, i ustalić, jak to zrobić automatycznie”.

Testowanie narzędzia

Narzędzie zostało przetestowane na dwóch oddzielnych autonomicznych systemach robotycznych i poprawiło wydajność każdego systemu w doświadczeniach laboratoryjnych. Podczas gdy pierwszy system składał się z robota kołowego zaprojektowanego do planowania ścieżki między dwoma przeszkodami, to drugi system był naprawdę imponujący.

Drugi system był bardziej złożony, z dwoma robotami kołowymi współpracującymi, aby przesunąć skrzynkę w kierunku celu, co oznaczało, że symulacja obejmowała znacznie więcej parametrów. Narzędzie było w stanie wydajnie zidentyfikować kroki niezbędne do wykonania zadania przez roboty, a proces optymalizacji był 20 razy szybszy niż konwencjonalne techniki.

“Jeśli Twój system ma więcej parametrów do optymalizacji, nasze narzędzie może działać jeszcze lepiej i może zaoszczędzić wykładniczo więcej czasu”, mówi Fan. “To podstawowy wybór kombinatoryczny: im więcej parametrów, tym więcej wyborów, a nasze podejście może to zmniejszyć o jeden krok”.

Ogólny optymalizator jest dostępny do pobrania, a zespół będzie teraz dążył do dalszego udoskonalenia go, co uczyni go przydatnym dla bardziej złożonych systemów.

“Naszym celem jest umożliwienie ludziom budowanie lepszych robotów”, mówi Dawson. “Przedstawiamy nowy element budulcowy do optymalizacji ich systemu, aby nie musieli zaczynać od zera”.