Исследователи разработали новый метод управления мягкими роботами

Исследователи из Массачусетский технологический институт нашли способ лучше контролировать и проектировать мягких роботов для выполнения целевых задач. Это было целью мягкой робототехники в течение долгого времени, и это большое достижение. 

Мягкие роботы имеют гибкие тела, способные двигаться бесконечным числом способов в любой момент времени. Что касается вычислений, это очень сложное «представление состояния», описывающее движения каждой части робота. Они могут иметь миллионы измерений, а это означает, что труднее вычислить лучший способ выполнения роботом сложных целевых задач.

Исследователи Массачусетского технологического института представят модель на конференции по нейронным системам обработки информации в декабре. Модель способна обучаться компактному или «низкоразмерному» представлению состояния, основанному на физике робота, окружающей среде и других факторах. Затем модель может совместно оптимизировать управление движением, а также параметры конструкции материала, которые затем нацелены на конкретные задачи. 

Эндрю Спилберг — аспирант Лаборатории компьютерных наук и искусственного интеллекта (CSAIL). 

«Мягкие роботы — это бесконечномерные существа, которые в любой момент изгибаются миллиардом различных способов, но, по правде говоря, существуют естественные способы изгибания мягких объектов. Мы обнаружили, что естественные состояния мягких роботов могут быть описаны очень компактно в низкоразмерном описании. Мы оптимизируем управление и дизайн мягких роботов, изучая хорошее описание вероятных состояний».

В проведенных имитациях модель позволяла 2D- и 3D-мягким роботам выполнять целевые задачи. Задачи включали перемещение на разные расстояния и достижение целевых точек. Модель смогла сделать это быстрее и точнее, чем другие современные методы. Теперь исследователи хотят использовать эту модель в реальных мягких роботах. 

Среди других людей, которые работали над проектом, были аспиранты CSAIL, Аллан Чжао, Тао Ду и Юаньмин Ху; Даниэль Рус, директор CSAIL и профессор электротехники и информатики Эндрю и Эрны Витерби; и Войцех Матусик, адъюнкт-профессор Массачусетского технологического института в области электротехники и компьютерных наук и глава группы вычислительного производства. 

Мягкая робототехника — это растущая область, которая чрезвычайно важна в более широком контексте передовой робототехники. Такие характеристики, как гибкие тела, могут играть роль в более безопасном взаимодействии с людьми, манипулировании объектами, маневренности и многом другом. 

Во время моделирования «наблюдатель» отвечает за управление роботами. «Наблюдатель» — это программа, которая вычисляет переменные, которые видят, как движется мягкий робот, чтобы выполнить задачу. 

В конце концов, исследователи разработали новый метод «обучения в цикле оптимизации». Все оптимизированные параметры изучаются в течение одного цикла обратной связи, который выполняется в ходе нескольких симуляций. В то же время метод изучает представление состояния. 

В модели используется метод, называемый «методом материальной точки» (MPM). MPM имитирует поведение частиц сплошных материалов, таких как пены и жидкости, и окружен фоновой сеткой. Этот метод позволяет захватывать частицы робота и его наблюдаемую среду в трехмерные пиксели или воксели. 

Затем необработанная информация о сетке частиц отправляется в компонент машинного обучения. Он учится вводить изображение, сжимать его до низкоразмерного представления, а затем распаковывать обратно во входное изображение. 

Выученное сжатое представление действует как низкоразмерное представление состояния робота. Сжатые представления возвращаются обратно в контроллер на этапе оптимизации, и он выводит рассчитанное действие для того, как каждая частица должна затем двигаться на следующем шаге, стимулированном MPM. 

В то же время контроллер использует информацию для настройки оптимальной жесткости каждой частицы. Информация о материале может быть использована для 3D-печати мягких роботов, поскольку каждое пятно частицы может быть напечатано с разной жесткостью. 

«Это позволяет создавать конструкции роботов, ориентированные на движения роботов, которые будут иметь отношение к конкретным задачам», — говорит Спилберг. «Изучая эти параметры вместе, вы максимально синхронизируете все, что возможно, чтобы упростить процесс проектирования».

Исследователи надеются, что в конечном итоге они смогут проектировать от моделирования до изготовления.