Мягкотелые роботы более эффективны с новой глубокой нейронной сетью

Мягкотелые роботы являются крайне важным инструментом в более широкой области робототехники, поскольку традиционные и жесткотелые роботы не способны выполнять одни и те же типы задач. Первые взаимодействуют с людьми более безопасно, и они могут выполнять такие действия, как вписываться в узкие пространства.

Одной из основных проблем, связанных с мягкими роботами, является то, что они должны знать, где находятся все их части тела, чтобы выполнить запрограммированные задачи, и это становится более сложным, поскольку мягкие роботы могут деформироваться почти бесконечным количеством способов.

Теперь исследователи в MIT разработали новый алгоритм глубокого обучения, который помогает инженерам проектировать мягкие роботы таким образом, чтобы они могли собирать больше данных о своем окружении. Алгоритм работает, предлагая оптимизированное размещение датчиков внутри тела робота. Это позволяет ему выполнять назначенные задачи, взаимодействуя с окружением.

Александр Амини является соавтором исследования вместе с Эндрю Спильбергом, обоими являются аспирантами лаборатории компьютерных наук и искусственного интеллекта MIT. Исследование было опубликовано в IEEE Robotics and Automation Letters с другими соавторами, включая Лиллиан Чин, аспиранта, и Войцеха Матусяка и Даниэлу Рус, профессоров университета.

“Система не только учится выполнять задачу, но и то, как лучше всего спроектировать робота для решения этой задачи”, – говорит Амини. “Размещение датчиков – это очень сложная проблема для решения. Итак, наличие решения является крайне интересным”.

https://www.youtube.com/watch?v=MSa7D0FvxqY

Жесткие и мягкие роботы

Одним из основных преимуществ жестких роботов является то, что они имеют ограниченный диапазон движения, и хотя это кажется недостатком, это означает, что конечное количество суставов и конечностей приводит к более управляемым расчетам.

Эти расчеты легче работать, когда речь идет об алгоритмах, контролирующих картографирование и планирование движения. Мягкие роботы не могут сделать то же самое, поскольку они гибкие.

“Основная проблема с мягкими роботами заключается в том, что они бесконечно-мерные”, – говорит Спильберг. “Любая точка на мягком роботе может, теоретически, деформироваться любым возможным способом”.

В прошлом исследователи использовали внешнюю камеру для составления карты положения робота, которая затем передается в программу управления роботом. Новая команда искала способ создать мягкого робота, не зависящего от внешней помощи.

“Вы не можете поставить бесконечное количество датчиков на самом роботе”, – продолжает Спильберг. “Итак, вопрос в том, сколько датчиков у вас есть и где вы их размещаете, чтобы получить максимальную пользу от своих денег?”

Исследователи разработали новую архитектуру нейронной сети, которая может оптимизировать размещение датчиков и учиться эффективно выполнять задачи. Они сначала разделили тело робота на разные регионы, называемые “частицами”.

Нейронная сеть использовала скорость деформации каждой частицы в качестве входных данных, и через проб и ошибку сеть может научиться наиболее эффективной последовательности движений для заданной задачи. Сеть также отслеживает, какие частицы используются чаще других, чтобы входные данные сети можно было скорректировать.

Превосходство над людьми в размещении датчиков

Сеть предлагает размещение датчиков на роботе, оптимизируя наиболее важные частицы. В тестах алгоритм превзошел людей, когда речь шла о нахождении наиболее эффективных мест для размещения датчиков.

Алгоритм был затем протестирован против серии прогнозов экспертов.

“Наша модель значительно превзошла людей для каждой задачи, даже хотя я посмотрел на некоторые тела роботов и чувствовал себя очень уверенно в том, где должны быть датчики”, – говорит Амини. “Оказывается, есть много более тонкостей в этой проблеме, чем мы изначально ожидали”.

По словам Спильберга, новое развитие может помочь автоматизировать процесс проектирования робота и помочь создать новые алгоритмы для управления движением робота.

“…мы также должны подумать о том, как мы будем оснащать этих роботов датчиками и как это будет взаимодействовать с другими компонентами системы”, – говорит он. “Это то, где вам нужен очень прочный, хорошо оптимизированный чувство осязания. Итак, есть потенциал для немедленного воздействия”.

“Автоматизация проектирования сенсоризированных мягких роботов является важным шагом на пути к быстрому созданию интеллектуальных инструментов, которые помогают людям с физическими задачами”, – говорит Рус. “Датчики являются важным аспектом процесса, поскольку они позволяют мягкому роботу “видеть” и понимать мир и его отношение к миру”.