Naukowcy opracowują nową metodę kontroli miękkich robotów

Naukowcy z Massachusetts Institute of Technology opracowali sposób, aby lepiej kontrolować i projektować miękkie roboty do wykonywania określonych zadań. Jest to od dawna cel w dziedzinie miękkiej robotyki i jest to duże osiągnięcie.

Miękkie roboty mają elastyczne ciała, które mogą poruszać się w nieskończonej liczbie sposobów w dowolnym momencie. Pod względem obliczeń jest to bardzo złożona “reprezentacja stanu”, opisująca ruchy każdej części robota. Mogą one mieć miliony wymiarów, co oznacza, że trudniej jest obliczyć najlepszy sposób, aby robot mógł wykonać złożone zadania.

Naukowcy z MIT przedstawią model na Konferencji o Przetwarzaniu Informacji Neuronowej w grudniu. Model jest w stanie nauczyć się zwartej, czyli “niskowymiarowej” reprezentacji stanu, opartej na fizyce robota, środowisku i innych czynnikach. Następnie model może zoptymalizować kontrolę ruchu oraz parametry projektu materiałów, które są ukierunkowane na określone zadania.

Andrew Spielberg jest studentem doktoranckim w Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL).

“Miękkie roboty są istotami o nieskończonej liczbie wymiarów, które mogą giąć się w miliardzie różnych sposobów w dowolnym momencie, ale w rzeczywistości istnieją naturalne sposoby, w jakie miękkie obiekty mogą giąć się. Odnajdujemy naturalne stany miękkich robotów, które mogą być opisane w bardzo zwartej formie w niskowymiarowej reprezentacji. Optymalizujemy kontrolę i projekt miękkich robotów, ucząc się dobrego opisu prawdopodobnych stanów.”

W symulacjach model umożliwił 2D i 3D miękkim robotom wykonanie zadań. Zadania obejmowały poruszanie się na różne odległości i dotarcie do określonych punktów. Model był w stanie to zrobić szybciej i bardziej precyzyjnie niż inne obecne metody. Naukowcy teraz chcą wykorzystać model w prawdziwych miękkich robotach.

Inni uczestnicy projektu to Allan Zhao, Tao Du, Yuanming Hu, Daniel Rus, dyrektor CSAIL i profesor Andrew i Erna Viterbi na Wydziale Elektrotechniki i Informatyki, oraz Wojciech Matusik, profesor nadzwyczajny na Wydziale Elektrotechniki i Informatyki oraz kierownik Grupy Fabrykacji Komputacyjnej.

Miękka robotyka jest rozwijającą się dziedziną, która jest niezwykle ważna w ramach zaawansowanej robotyki. Cechy takie jak elastyczne ciała mogą odegrać rolę w bezpieczniejszym współdziałaniu z ludźmi, manipulacji obiektami, manewrowaniu i wielu innych.

Podczas symulacji “obserwator” jest odpowiedzialny za kontrolę robotów. “Obserwator” to program, który oblicza zmienne, które widzą, jak miękki robot porusza się, aby wykonać zadanie.

Ostatecznie naukowcy opracowali nową metodę “uczenia w pętli optymalizacji”. Wszystkie zoptymalizowane parametry są uczane podczas jednej pętli informacji zwrotnej, która odbywa się podczas wielu symulacji. W tym samym czasie metoda uczy się reprezentacji stanu.

Model wykorzystuje technikę zwaną “metodą punktu materiału (MPM)”. MPM symuluje zachowanie cząstek materiałów ciągłych, takich jak pianki i ciecze, i jest otoczony siatką tła. Technika ta pozwala przechwycić cząstki robota i jego obserwowalne środowisko w 3D pikselach, czyli wokselach.

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

Nauczona skompresowana reprezentacja działa jako niskowymiarowa reprezentacja stanu robota. Skompresowana reprezentacja jest ponownie wprowadzana do kontrolera w fazie optymalizacji i wytwarza obliczone działanie, w jaki sposób każda cząstka powinna się poruszyć w następnym kroku symulowanym przez MPM.

W tym samym czasie kontroler wykorzystuje informacje do dostosowania optymalnej sztywności każdej cząstki. Informacje o materiale mogą być wykorzystane do drukowania 3D miękkich robotów, ponieważ każde miejsce cząstki może być wydrukowane z różną sztywnością.

“To pozwala na tworzenie projektów robotów dostosowanych do ruchów robota, które będą istotne dla określonych zadań”, mówi Spielberg. “Poprzez uczenie się tych parametrów razem, trzymamy wszystko tak zsynchronizowane, jak to tylko możliwe, aby uczynić ten proces projektowania łatwiejszym.”

Naukowcy mają nadzieję, że w końcu będą w stanie zaprojektować od symulacji do fabrykacji.