Mjukkroppade robotar mer effektiva med ny djupinlärningsneural nätverk

Mjukkroppade robotar är ett extremt viktigt verktyg inom det breda området robotik, eftersom traditionella och styva robotar inte kan utföra samma typer av uppgifter. Den förra interagerar med människor på ett säkrare sätt, och de kan göra saker som att passa in i trånga utrymmen.

En av de stora utmaningarna med mjukrobotar är att de måste veta var alla deras kroppsdelar är för att utföra programmerade uppgifter, och detta blir svårare eftersom mjukrobotar kan deformeras på nästan oändligt många sätt.

Nu har forskare vid MIT utvecklat en ny djupinlärningsalgoritm som hjälper ingenjörer att designa mjukrobotar på ett sätt som möjliggör att de kan samla in mer data om sin omgivning. Algoritmen fungerar genom att föreslå en optimerad placering av sensorer inom robotens kropp. Detta möjliggör att den kan utföra tilldelade uppgifter medan den interagerar med miljön.

Alexander Amini är medförfattare till forskningen tillsammans med Andrew Spielberg, båda doktorander vid MIT Computer Science and Artificial Intelligence Laboratory. Forskningen publicerades i IEEE Robotics and Automation Letters med andra medförfattare, inklusive Lillian Chin, doktorand, och Wojciech Matusik och Daniela Rus, professorer vid universitetet.

“Systemet lär sig inte bara en given uppgift, utan också hur man bäst designar roboten för att lösa den uppgiften”, säger Amini. “Sensorplacering är ett mycket svårt problem att lösa. Att ha lösningen är extremt spännande.”

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

Styva vs. Mjukrobotar

En av de största fördelarna med styva robotar är att de har en begränsad rörelsefrihet, och medan detta kan tyckas vara en nackdel, innebär det att det ändliga antalet leder och lemmar leder till mer hanterbara beräkningar.

Dessa beräkningar är lättare att arbeta med när det gäller algoritmer som styr kartläggning och rörelseplanering. Mjukrobotar kan inte göra samma sak eftersom de är flexibla.

“Det stora problemet med mjukrobotar är att de är oändligt dimensionella”, säger Spielberg. “Varje punkt på en mjukkroppad robot kan i teorin deformeras på vilket sätt som helst.”

I det förflutna har forskare använt en extern kamera för att kartlägga robotens position, som sedan matas in i robotens kontrollprogram. Det nya teamet letade efter ett sätt att skapa en mjuk robot som inte är beroende av extern hjälp.

“Du kan inte sätta ett oändligt antal sensorer på roboten själv”, fortsätter Spielberg. “Så frågan är: Hur många sensorer har du, och var placerar du dessa sensorer för att få mest ut av dem?”

Forskarna utvecklade en ny neurala nätverksarkitektur som kan optimera sensorplacering och lära sig att effektivt utföra uppgifter. De delade först upp robotens kropp i olika regioner som kallas “partiklar”.

Det neurala nätverket använde varje partikels töjningshastighet som indata, och genom försök och misstag kunde nätverket lära sig den mest effektiva sekvensen av rörelser för en given uppgift. Nätverket håller också reda på vilka partiklar som används mer än andra så att nätverkets indata kan justeras.

Överträffar människor i sensorplacering

Nätverket föreslår placeringen av sensorer på roboten genom att optimera de viktigaste partiklarna. I tester överträffade algoritmen människor när det gällde att hitta de mest effektiva platserna för att placera sensorerna.

Algoritmen testades sedan mot en serie expertförutsägelser.

“Vår modell överträffade människor avsevärt för varje uppgift, även om jag tittade på några av robotkropparna och kände mig mycket säker på var sensorerna skulle placeras”, säger Amini. “Det visar sig att det finns många fler nyanser i detta problem än vi initialt förväntade oss.”

Enligt Spielberg kan den nya utvecklingen hjälpa till att automatisera robotdesignprocessen och hjälpa till att komma på nya algoritmer för att kontrollera robotrörelser.

“…vi måste också tänka på hur vi ska sensorisera dessa robotar, och hur det kommer att samspela med andra komponenter i systemet”, säger han. “Det är något där du behöver en mycket robust, väl optimerad känsla av beröring. Så det finns potential för omedelbar påverkan.”

“Att automatisera designen av sensoriserade mjukrobotar är ett viktigt steg mot att snabbt skapa intelligenta verktyg som hjälper människor med fysiska uppgifter”, säger Rus. “Sensorerna är en viktig aspekt av processen, eftersom de möjliggör att den mjuka roboten kan “se” och förstå världen och dess relation till världen.”