Forskare Utvecklar Ny Metod för Kontroll av Mjuka Robotar

Forskare från Massachusetts Institute of Technology har lyckats hitta ett sätt att bättre kontrollera och designa mjuka robotar för att utföra målinriktade uppgifter. Detta har varit ett mål inom mjukrobotik under lång tid, och det är en stor prestation.

Mjuka robotar har flexibla kroppar som kan röra sig på ett oändligt antal sätt vid varje given tidpunkt. När det gäller beräkningar är detta en mycket komplex “tillståndsrepresentation” som beskriver rörelserna för varje del av roboten. Dessa kan möjligtvis ha miljontals dimensioner, vilket innebär att det är svårare att beräkna det bästa sättet för en robot att slutföra komplexa målinriktade uppgifter.

MIT-forskarna kommer att presentera en modell vid konferensen om neuralt informationsbearbetningssystem i december. Modellen kan lära sig en kompakt, eller “lågdimensionell” tillståndsrepresentation som baseras på robotens fysik, miljön och andra faktorer. Modellen kan sedan samoptimeras för rörelsekontroll och materialegenskapsparametrar, som sedan riktas mot specifika uppgifter.

Andrew Spielberg är en doktorand vid Computer Science and Artificial Intelligence Laboratory (CSAIL).

“Mjuka robotar är oändligt dimensionella varelser som böjer sig på en miljard olika sätt vid varje given tidpunkt, men i själva verket finns det naturliga sätt som mjuka föremål sannolikt kommer att böja sig. Vi hittar de naturliga tillstånden för mjuka robotar som kan beskrivas mycket komprimerat i en lågdimensionell beskrivning. Vi optimerar kontroll och design av mjuka robotar genom att lära oss en bra beskrivning av de troliga tillstånden.”

I simuleringarna som genomfördes, möjliggjorde modellen att 2D- och 3D-mjuka robotar slutförde målinriktade uppgifter. Uppgifterna inkluderade att flytta olika avstånd och nå målpunkter. Modellen kunde göra detta snabbare och mer exakt än andra aktuella metoder. Forskarna vill nu använda modellen i riktiga mjuka robotar.

Andra personer som arbetade med projektet inkluderar CSAIL-doktorander, Allan Zhao, Tao Du och Yuanming Hu; Daniel Rus, chef för CSAIL och Andrew och Erna Viterbi-professor i elektroteknik och datavetenskap; och Wojciech Matusik, en MIT-associate professor i elektroteknik och datavetenskap och chef för Computational Fabrication Group.

Mjukrobotik är ett växande område som är extremt viktigt inom den större ramen för avancerad robotik. Egenskaper som flexibla kroppar kan spela en roll i säkrare interaktion med människor, objekthantering, manövrerbarhet och mycket mer.

Under simuleringarna är en “observer” ansvarig för kontrollen av robotarna. En “observer” är ett program som beräknar variabler som ser hur den mjuka roboten rör sig för att slutföra en uppgift.

Till slut utvecklade forskarna en ny “inlärning-i-loopen-optimering” metod. Alla optimerade parametrar lärdes under en enda återkopplingsloop som sker över flera simuleringar. Samtidigt lärdes tillståndsrepresentationen.

Modellen använder en teknik som kallas “materialpunktmetod (MPM)”. En MPM simulerar beteendet hos partiklar av kontinuummaterial, som skum och vätskor, och den omges av en bakgrundsraster. Tekniken kan fånga partiklarna i roboten och dess observerbara miljö i 3D-pixlar, eller voxlar.

Den råa partikelgridinformationen skickas sedan till en maskinlärningskomponent. Den lär sig att mata in en bild, komprimera den till en lågdimensionell representation och sedan dekomprimera den tillbaka till inmatningsbilden.

Den inlärda komprimerade representationen fungerar som robotens lågdimensionella tillståndsrepresentation. Den komprimerade representationen återkopplar till kontrollen under en optimeringsfas, och den producerar en beräknad åtgärd för hur varje partikel ska röra sig i nästa MPM-stimulerade steg.

Samtidigt använder kontrollen informationen för att justera den optimala styvheten för varje partikel. Materiaalinformationen kan användas för 3D-utskrifter av mjuka robotar, eftersom varje partikelplats kan skrivas ut med olika styvhet.

“Detta möjliggör skapandet av robotdesigner som är anpassade till robotrörelser som kommer att vara relevanta för specifika uppgifter”, säger Spielberg. “Genom att lära sig dessa parametrar tillsammans håller du allt synkroniserat så mycket som möjligt för att göra designprocessen enklare.”

Forskarna hoppas att de till slut kommer att kunna designa från simulering till tillverkning.