Naukowcy opracowują nową metodę sterowania miękkimi robotami

Naukowcy z Massachusetts Institute of Technology znaleźli sposób na lepszą kontrolę i projektowanie miękkich robotów do wykonywania docelowych zadań. Jest to celem miękkiej robotyki od dawna i jest to duże osiągnięcie. 

Miękkie roboty mają elastyczne ciała, które mogą poruszać się w dowolnym momencie na nieskończoną liczbę sposobów. Jeśli chodzi o obliczenia, jest to bardzo złożona „reprezentacja stanu”, opisująca ruchy każdej części robota. Mogą one mieć miliony wymiarów, co oznacza, że ​​trudniej jest obliczyć najlepszy sposób, w jaki robot może wykonać złożone zadania docelowe.

Badacze z MIT zaprezentują model na grudniowej konferencji na temat neuronowych systemów przetwarzania informacji. Model jest w stanie nauczyć się zwartej lub „niskowymiarowej” reprezentacji stanu opartej na fizyce robota, środowisku i innych czynnikach. Model jest następnie w stanie wspólnie zoptymalizować kontrolę ruchu oraz parametry projektu materiału. Następnie są one ukierunkowane na określone zadania. 

Andrew Spielberg jest absolwentem Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL). 

„Miękkie roboty to stworzenia o nieskończonych wymiarach, które w dowolnym momencie wyginają się na miliard różnych sposobów, ale tak naprawdę istnieją naturalne sposoby, w jakie miękkie przedmioty wyginają się. Odkryliśmy, że naturalne stany miękkich robotów można opisać bardzo zwięźle w opisie niskowymiarowym. Optymalizujemy sterowanie i projektowanie miękkich robotów, ucząc się dobrego opisu prawdopodobnych stanów.”

W przeprowadzonych symulacjach model umożliwił miękkim robotom 2D i 3D realizację docelowych zadań. Do zadań należało pokonywanie różnych dystansów i dotarcie do wybranych miejsc. Model był w stanie wykonać te czynności szybciej i dokładniej niż inne obecne metody. Naukowcy chcą teraz zastosować ten model w prawdziwych miękkich robotach. 

Inne osoby, które pracowały nad projektem, to absolwenci CSAIL, Allan Zhao, Tao Du i Yuanming Hu; Daniel Rus, dyrektor CSAIl oraz profesorowie elektrotechniki i informatyki Andrew i Erny Viterbi; oraz Wojciech Matusik, profesor nadzwyczajny MIT w dziedzinie elektrotechniki i informatyki oraz kierownik Computational Fabrication Group. 

Soft-robotyka to rozwijająca się dziedzina, która jest niezwykle istotna w szerszym zakresie zaawansowanej robotyki. Cechy takie jak elastyczne ciała mogą odgrywać rolę w bezpieczniejszej interakcji z ludźmi, manipulowaniu obiektami, manewrowości i wielu innych. 

Podczas symulacji za sterowanie robotami odpowiada „obserwator”. „Obserwator” to program obliczający zmienne, które widzą, w jaki sposób porusza się miękki robot, aby wykonać zadanie. 

Ostatecznie badacze opracowali nową metodę „optymalizacji uczenia się w pętli”. Wszystkie zoptymalizowane parametry są uczone podczas pojedynczej pętli sprzężenia zwrotnego, która odbywa się w ramach wielu symulacji. Jednocześnie metoda uczy się reprezentacji stanu. 

W modelu zastosowano technikę zwaną „metodą punktu materialnego (MPM). MPM symuluje zachowanie cząstek materiałów ciągłych, takich jak pianki i ciecze, i jest otoczony siatką tła. Technika ta umożliwia przechwytywanie cząstek robota i jego obserwowalnego otoczenia w piksele 3D, czyli woksele. 

Surowe informacje o siatce cząstek są następnie wysyłane do komponentu uczenia maszynowego. Uczy się wprowadzać obraz, kompresować go do postaci niskowymiarowej, a następnie dekompresować z powrotem do obrazu wejściowego. 

Wyuczona skompresowana reprezentacja działa jako niskowymiarowa reprezentacja stanu robota. Skompresowane reprezentacje są zapętlane z powrotem do sterownika w fazie optymalizacji i generują obliczone działanie określające, jak każda cząstka powinna następnie poruszać się w następnym etapie stymulowanym MPM. 

Jednocześnie sterownik wykorzystuje te informacje do dostosowania optymalnej sztywności każdej cząstki. Informacje o materiale można wykorzystać do drukowania miękkich robotów w technologii druku 3D, ponieważ każdą plamkę cząsteczki można wydrukować z różną sztywnością. 

„Pozwala to na tworzenie projektów robotów dostosowanych do ruchów robota, które będą odpowiednie do konkretnych zadań” – mówi Spielberg. „Ucząc się tych parametrów razem, utrzymujesz wszystko w jak największym stopniu zsynchronizowane, co ułatwia proces projektowania”.

Naukowcy mają nadzieję, że w końcu będą w stanie projektować od symulacji do produkcji.