Инженеры разрабатывают инструмент для улучшения любой автономной робототехнической системы

Команда инженеров из MIT разработала код оптимизации для улучшения любой автономной робототехнической системы. Код автоматически определяет, как и где изменить систему, чтобы улучшить производительность робота.

Результаты исследований инженеров будут представлены на ежегодной конференции Robotics: Science and Systems в Нью-Йорке. В команду входили Чарльз Досон, аспирант MIT, и ЧуЧу Фан, ассистент профессора в департаменте аэронавтики и астронавтики MIT.

Проектирование систем ИИ и робототехники

Искусственный интеллект (ИИ) и робототехнические системы используются в широком спектре отраслей, и каждая система является результатом процесса проектирования, специфичного для конкретной системы. Чтобы спроектировать автономного робота, инженеры полагаются на метод проб и ошибок, часто основанный на интуиции. В то же время симуляции адаптируются к конкретным компонентам робота и его заданным задачам, что означает, что нет истинного “рецепта” для обеспечения успешного результата.

Инженеры MIT меняют эту ситуацию с помощью своего нового общего инструмента проектирования для робототехников. Они разработали код оптимизации, который можно применить к симуляциям几乎 любой автономной робототехнической системы, и он помогает автоматически определить способы улучшения производительности робота.

Инструмент продемонстрировал способность улучшить производительность двух очень разных автономных систем. Первая система состояла из робота, который ориентировался на пути между двумя препятствиями, а вторая система была более сложной, с двумя роботами, работающими вместе, чтобы переместить тяжелую коробку.

По словам исследователей, этот новый общий оптимизатор может помочь ускорить разработку широкого спектра автономных систем, таких как ходячие роботы или самоходные транспортные средства.

Досон и Фан заявили, что они осознали необходимость такого инструмента после наблюдения за различными другими автоматизированными инструментами проектирования, доступными для других инженерных дисциплин.

“Если механический инженер хотел спроектировать ветряную турбину, он мог использовать инструмент 3D-CAD для проектирования конструкции, а затем использовать инструмент конечного элемента для проверки, будет ли она сопротивляться определенным нагрузкам”, – говорит Досон. “Однако существует нехватка таких компьютерных инструментов проектирования для автономных систем.”

Чтобы оптимизировать автономную систему, робототехник обычно сначала разрабатывает симуляцию системы и ее взаимодействующих подсистем, а затем принимает определенные параметры каждого компонента. Симуляция затем запускается вперед, чтобы увидеть, как система будет работать.

Множественные процессы проб и ошибок должны быть запущены до тех пор, пока не будет определена оптимальная комбинация ингредиентов, и это является трудоемким мероприятием.

“Вместо того, чтобы спрашивать, ‘Учитывая дизайн, какова производительность?’, мы хотели инвертировать это, чтобы сказать, ‘Учитывая производительность, которую мы хотим увидеть, какой дизайн приведет нас к этому?'” – говорит Досон.

Фреймворк оптимизации, или компьютерный код, был разработан для автоматического поиска корректировок, которые можно сделать в существующей системе. Код основан на автоматической дифференциации, которая является инструментом программирования, изначально использованным для обучения нейронных сетей. Также обозначается как “autodiff”, эта техника помогает быстро и эффективно “оценить производную”, или чувствительность к изменению любого параметра.

“Наш метод автоматически говорит нам, как сделать небольшие шаги от начального дизайна к дизайну, который достигает наших целей”, – говорит Досон. “Мы используем autodiff, чтобы по сути копнуть в код, который определяет симулятор, и выяснить, как сделать это инвертирование автоматически.”

Тестирование инструмента

Инструмент был протестирован на двух отдельных автономных робототехнических системах и улучшил производительность каждой системы в лабораторных экспериментах. Хотя первая система состояла из робота с колесами, предназначенного для планирования пути между двумя препятствиями, вторая система была более впечатляющей.

Вторая система была более сложной, с двумя роботами с колесами, работающими вместе, чтобы толкнуть коробку к целевой позиции, что означало, что симуляция включала намного больше параметров. Инструмент смог эффективно определить шаги, необходимые для того, чтобы роботы выполнили свою задачу, и процесс оптимизации был в 20 раз быстрее, чем традиционные методы.

“Если ваша система имеет больше параметров для оптимизации, наш инструмент может работать еще лучше и может сэкономить экспоненциально больше времени”, – говорит Фан. “Это по сути комбинаторный выбор: по мере увеличения количества параметров увеличиваются и варианты, и наш подход может уменьшить это в один шаг.”

Общий оптимизатор доступен для скачивания, и команда теперь будет работать над дальнейшим усовершенствованием его, что сделает его полезным для более сложных систем.

“Наша цель – дать людям возможность строить лучших роботов”, – говорит Досон. “Мы предоставляем новый строительный блок для оптимизации их системы, поэтому им не нужно начинать с нуля.”