Pesquisadores Desenvolvem Novo Método para Controle de Robôs Macios

Pesquisadores do Instituto de Tecnologia de Massachusetts descobriram uma maneira de melhorar o controle e design de robôs macios para realizar tarefas específicas. Isso tem sido um objetivo na área de robótica macia por um longo tempo, e é um grande feito.

Robôs macios têm corpos flexíveis que são capazes de se mover de infinitas maneiras a qualquer momento. Em termos de computação, isso é uma representação de estado “infinite-dimensional” altamente complexa, que descreve os movimentos de cada parte do robô. Esses movimentos podem ter milhões de dimensões, o que significa que é mais difícil calcular a melhor maneira para um robô realizar tarefas 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 dimensionalidade”, baseada na física do robô, no ambiente e em outros fatores. O modelo então é capaz de otimizar o controle do movimento e os parâmetros de design do material, que são direcionados a tarefas específicas.

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

“Robôs macios são criaturas infinitas que se curvam de bilhões de maneiras diferentes a qualquer momento, mas na verdade, há maneiras naturais pelas quais objetos macios tendem a se curvar. Nós descobrimos que os estados naturais dos robôs macios podem ser descritos de forma muito compacta em uma descrição de baixa dimensionalidade. Nós otimizamos o controle e o design dos robôs macios aprendendo uma boa descrição dos estados prováveis.”

Nos simulados que foram realizados, o modelo permitiu que robôs macios 2D e 3D realizassem as tarefas específicas. As tarefas incluíam mover diferentes distâncias e alcançar pontos-alvo. O modelo foi capaz de realizar essas tarefas de forma mais rápida e precisa do que outros métodos atuais. Agora, os pesquisadores querem usar o modelo em robôs macios reais.

Outras pessoas que trabalharam no projeto incluem os estudantes de pós-graduação do CSAIL, Allan Zhao, Tao Du e Yuanming Hu; Daniel Rus, diretor do CSAIL e professor de Engenharia Elétrica e Ciência da Computação; e Wojciech Matusik, professor associado de engenharia elétrica e ciência da computação do MIT e chefe do Grupo de Fabricação Computacional.

A robótica macia 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 os simulados, um “observador” é responsável pelo controle dos robôs. Um “observador” é um programa que calcula variáveis que veem a forma como o robô macio está se movendo para realizar uma tarefa.

Eventualmente, os pesquisadores desenvolveram um novo método de “otimização de aprendizado no loop”. Todos os parâmetros otimizados são aprendidos durante um único loop de feedback que ocorre ao longo de múltiplos simulados. Ao mesmo tempo, o método aprende a representação de estado.

O modelo usa uma técnica chamada “método de ponto de material (MPM)”. O 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 da grade de partículas brutos são então enviadas para um componente de aprendizado de máquina. Ele aprende a inserir uma imagem, compactá-la em uma representação de baixa dimensionalidade e, em seguida, descompactá-la novamente na imagem de entrada.

A representação compacta aprendida atua como a representação de estado de baixa dimensionalidade do robô. As representações compactas retornam ao controlador em uma fase de otimização e saem com uma ação calculada para como cada partícula deve se mover na próxima etapa estimulada pelo MPM.

Ao mesmo tempo, o controlador usa as informações para ajustar a rigidez óptima de cada partícula. As informações do material podem ser usadas para imprimir robôs macios em 3D, pois cada ponto de partícula pode ser impresso com diferentes níveis de rigidez.

“Isso permite criar projetos de robôs personalizados para os movimentos do robô que serão relevantes para tarefas específicas”, diz Spielberg. “Aprendendo esses parâmetros juntos, você mantém tudo sincronizado o máximo possível para tornar o processo de design mais fácil.”

Os pesquisadores esperam que eventualmente possam projetar robôs desde a simulação até a fabricação.