Исследователи разработали новый метод управления мягкими роботами

Исследователи из Массачусетского технологического института разработали способ лучше контролировать и проектировать мягкие роботы для выполнения целевых задач. Это была долгосрочная цель в области мягкой робототехники, и это большое достижение.

Мягкие роботы имеют гибкие тела, которые могут двигаться бесконечным количеством способов в любой момент времени. С точки зрения вычислений, это высоко сложное «представление состояния», описывающее движение каждой части робота. Эти состояния могут иметь миллионы измерений, что означает, что рассчитать лучший способ для робота выполнить сложные целевые задачи становится более трудным.

Исследователи MIT представят модель на Конференции по нейронной обработке информации в декабре. Модель способна учиться компактному, или «низкоразмерному», представлению состояния, основанному на физике робота, окружающей среды и других факторов. Затем модель может кооптимизировать контроль движения и параметры конструкции материала, направленные на конкретные задачи.

Эндрю Спилберг – аспирант лаборатории компьютерных наук и искусственного интеллекта (CSAIL).

«Мягкие роботы – это бесконечномерные существа, которые могут изгибаться миллиардом разных способов в любой момент времени, но на самом деле есть естественные способы, которыми мягкие объекты могут изгибаться. Мы обнаружили, что естественные состояния мягких роботов можно описать очень компактно в низкоразмерном описании. Мы оптимизируем контроль и конструкцию мягких роботов, изучая хорошее описание вероятных состояний».

В симуляциях, которые были проведены, модель позволила 2D- и 3D-мягким роботам выполнить целевые задачи. Задачи включали перемещение на разные расстояния и достижение целевых точек. Модель смогла выполнить эти задачи быстрее и точнее, чем другие текущие методы. Теперь исследователи хотят использовать модель в реальных мягких роботах.

Другие лица, работавшие над проектом, включают аспирантов CSAIL Аллана Чжао, Тао Ду и Юаньминга Ху; директора CSAIL и профессора электротехники и компьютерных наук Даниэля Руса; и Войцеха Матустика, доцента электротехники и компьютерных наук в MIT и руководителя группы компьютерной фабрикации.

Мягкая робототехника – это растущая область, которая имеет огромное значение в более широком контексте передовой робототехники. Характеристики, такие как гибкие тела, могут сыграть роль в более безопасном взаимодействии с людьми, манипуляции объектами, маневренности и многом другом.

Во время симуляций «наблюдатель» отвечает за контроль роботов. «Наблюдатель» – это программа, которая вычисляет переменные, которые видят, как мягкий робот движется, чтобы выполнить задачу.

В конечном итоге исследователи разработали новый метод «обучения в цикле оптимизации». Все оптимизированные параметры изучаются в течение одного цикла обратной связи, который происходит за несколько симуляций. В то же время метод изучает представление состояния.

Модель использует метод, называемый «материальной точечной методикой» (MPM). MPM имитирует поведение частиц сплошных материалов, таких как пены и жидкости, и окружен фоновым сеткой. Этот метод может захватить частицы робота и его наблюдаемую среду в 3D-пикселях, или вокселях.

Сырная информация о сетке частиц затем передается компоненту машинного обучения. Он изучает ввод изображения, сжимает его до низкоразмерного представления, а затем разжимает его обратно в исходное изображение.

Изученное сжатое представление действует как низкоразмерное представление состояния робота. Сжатые представления возвращаются в контроллер в фазе оптимизации, и он выводит рассчитанное действие для каждого частицы, чтобы двигаться на следующем шаге, стимулированном MPM.

В то же время контроллер использует информацию для корректировки оптимальной жесткости каждой частицы. Информация о материале может быть использована для 3D-печати мягких роботов, поскольку каждая точка частицы может быть напечатана с разной жесткостью.

«Это позволяет создавать конструкции роботов, адаптированные к движениям робота, которые будут актуальны для конкретных задач», – говорит Спилберг. «Изучая эти параметры вместе, вы сохраняете все как можно более синхронизированным, чтобы сделать процесс проектирования проще».

Исследователи надеются, что они смогут в конечном итоге проектировать от симуляции до фабрикации.