Pesquisadores desenvolvem novo método para controlar robôs macios

Pesquisadores do Massachusetts Institute of Technology descobriram uma maneira de controlar melhor e projetar robôs macios para executar tarefas de destino. Este tem sido um objetivo da robótica leve há muito tempo e é uma grande conquista. 

Os robôs macios têm corpos flexíveis que são capazes de se mover em um número infinito de maneiras a qualquer momento. No que diz respeito à computação, trata-se de uma “representação de estado” altamente complexa, descrevendo os movimentos de cada parte do robô. Eles podem ter milhões de dimensões, o que significa que é mais difícil calcular a melhor maneira de um robô concluir tarefas de destino complexas.

Os pesquisadores do MIT apresentarão um modelo na Conferência sobre Sistemas de Processamento de Informação Neural em dezembro. O modelo é capaz de aprender uma representação de estado compacta ou “de baixa dimensão” baseada na física do robô, no ambiente e em outros fatores. O modelo é então capaz de co-otimizar o controle de movimento, bem como os parâmetros de design de materiais, que são então direcionados para tarefas específicas. 

Andrew Spielberg é aluno de pós-graduação no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL). 

“Os robôs macios são criaturas de dimensões infinitas que se dobram em um bilhão de maneiras diferentes a qualquer momento, mas, na verdade, existem maneiras naturais pelas quais os objetos macios provavelmente se dobram. Descobrimos que os estados naturais dos robôs macios podem ser descritos de forma muito compacta em uma descrição de baixa dimensão. Otimizamos o controle e o design de robôs flexíveis aprendendo uma boa descrição dos estados prováveis.”

Nas simulações realizadas, o modelo permitiu que robôs soft 2D e 3D concluíssem as tarefas alvo. As tarefas incluíam mover distâncias diferentes e alcançar os pontos-alvo. O modelo foi capaz de fazer isso com mais rapidez e precisão do que outros métodos atuais. Os pesquisadores agora querem usar o modelo em robôs soft reais. 

Outros indivíduos que trabalharam no projeto incluem alunos de pós-graduação da CSAIL, Allan Zhao, Tao Du e Yuanming Hu; Daniel Rus, diretor do CSAIl e professor Andrew e Erna Viterbi de Engenharia Elétrica e Ciência da Computação; e Wojciech Matusik, professor associado do MIT em engenharia elétrica e ciência da computação e chefe do Grupo de Fabricação Computacional. 

A robótica leve é ​​um campo em crescimento que é extremamente importante dentro do escopo mais amplo da robótica avançada. Características como corpos flexíveis podem desempenhar um papel na interação mais segura com humanos, manipulação de objetos, manobrabilidade e muito mais. 

Durante as simulações, um “observador” é responsável pelo controle dos robôs. Um “observador” é um programa que calcula variáveis ​​que veem a maneira como o robô macio está se movendo para concluir uma tarefa. 

Por fim, os pesquisadores desenvolveram um novo método de “otimização de aprendizado em loop”. Todos os parâmetros otimizados são aprendidos durante um único loop de feedback que ocorre em várias simulações. Ao mesmo tempo, o método aprende a representação do estado. 

O modelo usa uma técnica chamada “método do ponto material (MPM). Um MPM simula o comportamento de partículas de materiais contínuos, como espumas e líquidos, e é cercado por uma grade de fundo. A técnica é capaz de capturar as partículas do robô e seu ambiente observável em pixels 3D, ou voxels. 

As informações brutas da grade de partículas são então enviadas para um componente de aprendizado de máquina. Ele aprende a inserir uma imagem, comprimi-la em uma representação de baixa dimensão e, em seguida, descompactá-la de volta na imagem de entrada. 

A representação compactada aprendida atua como a representação de estado de baixa dimensão do robô. As representações compactadas retornam ao controlador em uma fase de otimização e geram uma ação calculada de como cada partícula deve se mover na próxima etapa estimulada pelo MPM. 

Ao mesmo tempo, o controlador usa as informações para ajustar a rigidez ideal de cada partícula. As informações do material podem ser usadas para robôs macios de impressão 3D, uma vez que cada ponto de partícula pode ser impresso com rigidez diferente. 

“Isso permite a criação de designs de robôs adequados aos movimentos do robô que serão relevantes para tarefas específicas”, diz Spielberg. “Ao aprender esses parâmetros juntos, você mantém tudo o mais sincronizado possível para facilitar o processo de design.”

Os pesquisadores esperam que eventualmente possam projetar da simulação à fabricação.