Cercetătorii Dezvoltă o Nouă Metodă pentru Controlul Roboților Moi

Cercetătorii de la Institutul de Tehnologie din Massachusetts au descoperit o modalitate de a controla și proiecta mai bine roboții moi pentru a executa sarcini țintite. Acesta a fost un obiectiv în robotică moale pentru o perioadă lungă de timp și este o realizare importantă.

Roboții moi au corpuri flexibile care pot mișca într-un număr infinit de moduri la orice moment dat. În ceea ce privește calculul, aceasta este o reprezentare a stării “foarte complexă”, care descrie mișcările fiecărei părți a robotului. Acestea pot avea eventual milioane de dimensiuni, ceea ce înseamnă că este mai dificil să se calculeze modalitatea optimă pentru ca un robot să execute sarcini complexe țintite.

Cercetătorii de la MIT vor prezenta un model la Conferința despre Sisteme de Pre procesare a Informațiilor Neuronale în luna decembrie. Modelul este capabil să învețe o reprezentare compactă, sau “de dimensiune scăzută” a stării, care se bazează pe fizica robotului, a mediului și a altor factori. Modelul este apoi capabil să optimizeze controlul mișcării și parametrii de proiectare a materialului, care sunt îndreptați către sarcini specifice.

Andrew Spielberg este student doctorand în Laboratorul de Știință și Inteligență Artificială a Calculatorului (CSAIL).

“Roboții moi sunt creaturi infinite-dimensionale care se îndoaie într-un miliard de moduri diferite la orice moment dat, dar, în realitate, există moduri naturale în care obiectele moi se îndoaie. Noi găsim stările naturale ale roboților moi pot fi descrise foarte compact într-o descriere de dimensiune scăzută. Noi optimizăm controlul și proiectarea roboților moi prin învățarea unei descrieri bune a stărilor probabile.”

În simulările care au avut loc, modelul a permis roboților moi 2D și 3D să execute sarcinile țintite. Sarcinile au inclus deplasarea la distanțe diferite și atingerea punctelor țintă. Modelul a fost capabil să execute aceste sarcini mai rapid și mai precis decât metodele actuale. Cercetătorii vor acum să utilizeze modelul în roboți moi reali.

Alți indivizi care au lucrat la proiect includ studenți doctoranzi CSAIL, Allan Zhao, Tao Du și Yuanming Hu; Daniel Rus, directorul CSAIL și profesorul Andrew și Erna Viterbi de inginerie electrică și știință a calculatorului; și Wojciech Matusik, profesor asociat la MIT în inginerie electrică și știință a calculatorului și șeful Grupului de Fabricație Computațională.

Robotică moale este un domeniu în creștere care este extrem de important în cadrul mai larg al roboticii avansate. Caracteristici precum corpurile flexibile pot juca un rol în interacțiunea mai sigură cu oamenii, manipularea obiectelor, manevrabilitatea și multe altele.

În timpul simulărilor, un “observator” este responsabil pentru controlul roboților. Un “observator” este un program care calculează variabile care văd modul în care robotul moale se mișcă pentru a executa o sarcină.

În cele din urmă, cercetătorii au dezvoltat o nouă metodă de “optimizare a învățării în buclă”. Toți parametrii optimizați sunt învățați în timpul unei singure bucle de feedback care are loc pe parcursul mai multor simulări. În același timp, metoda învață reprezentarea stării.

Modelul utilizează o tehnică numită “metodă a punctului material (MPM)”. O MPM simulează comportamentul particulelor de materiale continue, cum ar fi spumele și lichidele, și este înconjurată de o grilă de fundal. Tehnica este capabilă să captureze particulele robotului și mediul său observabil în pixeli 3D, sau voxel.

Informațiile brute despre grila de particule sunt apoi trimise către o componentă de învățare automată. Acesta învață să introducă o imagine, să o comprime într-o reprezentare de dimensiune scăzută și apoi să o decomprime înapoi în imaginea de intrare.

Reprezentarea comprimată învățată acționează ca reprezentarea stării de dimensiune scăzută a robotului. Reprezentarea comprimată se conectează înapoi la controlor într-o fază de optimizare și produce o acțiune calculată pentru modul în care fiecare particulă ar trebui să se miște în următorul pas stimulat de MPM.

În același timp, controlorul utilizează informațiile pentru a ajusta rigiditatea optimă a fiecărei particule. Informațiile despre material pot fi utilizate pentru imprimarea 3D a roboților moi, deoarece fiecare punct de particulă poate fi imprimat cu rigiditate diferită.

“Acest lucru permite crearea de proiecte de roboți adaptate mișcărilor care vor fi relevante pentru sarcini specifice”, spune Spielberg. “Prin învățarea acestor parametri împreună, păstrați totul sincronizat pe cât posibil pentru a face procesul de proiectare mai ușor.”

Cercetătorii speră că vor putea, în cele din urmă, proiecta de la simulare la fabricație.