Инженеры разрабатывают инструмент для улучшения любой автономной робототехнической системы

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

Результаты инженеров будут представлены на ежегодной конференции Robotics: Science and Systems в Нью-Йорке. В команду входили Чарльз Доусон, аспирант MIT, и ЧуЧу Фан, помощник профессора в отделении 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 информированный интуицией. В то же время симуляции адаптированы к конкретным компонентам робота и его назначенным задачам, что означает, что нет истинного “рецепта” для обеспечения успешного результата.

Инженеры MIT меняют это с помощью своего нового общего инструмента проектирования для робототехников. Они разработали код оптимизации, который можно применить к симуляциям почти 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 представляла собой робота, который ориентировался на пути между двумя препятствиями, а вторая – пару роботов, которые работали 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.

Доусон и Фан сказали, 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 3D-CAD инструмент для проектирования структуры, затем использовать инструмент конечного элемента для проверки, будет ли она сопротивляться определенным нагрузкам”, – говорит Доусон. “Однако существует нехватка этих компьютерных инструментов проектирования для автономных систем.”

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

Необходимо выполнить несколько процессов проб и ошибок, прежде чем можно будет определить оптимальную комбинацию ингредиентов, и это является трудоемким мероприятием.

“Вместо того, чтобы сказать: ‘Учитывая конструкцию, какова производительность?’ мы хотели инвертировать это, чтобы сказать: ‘Учитывая производительность, которую мы хотим увидеть, какая конструкция приведет нас туда?'” – говорит Доусон.

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

“Наш метод автоматически говорит нам, как сделать небольшие шаги от начальной конструкции к конструкции, которая достигает наших целей”, – говорит Доусон. “Мы используем autodiff, чтобы по сути копать в код, который определяет симулятор, и выяснить, как сделать это инвертирование автоматически.”

https://www.youtube.com/watch?v=EQRKxBm6DfM

Тестирование инструмента

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

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

“Если ваша система имеет больше параметров для оптимизации, наш инструмент может сделать даже 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 сократить это в один шаг.”

Общий оптимизатор доступен для скачивания, и команда теперь будет совершенствовать его, что сделает его полезным для более сложных систем.

“Наша цель – дать людям возможность строить лучших роботов”, – говорит Доусон. “Мы предоставляем новый строительный блок для оптимизации их системы, чтобы они не начали с нуля.”