นักวิจัยพัฒนาวิธีการควบคุมหุ่นยนต์แบบอ่อนใหม่

นักวิจัยจาก สถาบันเทคโนโลยีแมสซาชูเซตส์ ได้ค้นพบวิธีการควบคุมและออกแบบหุ่นยนต์แบบอ่อนให้ทำงานได้ดีขึ้น โดยมีเป้าหมายในการทำงานที่เฉพาะเจาะจง ซึ่งเป็นเป้าหมายที่นักวิจัยในด้านหุ่นยนต์แบบอ่อนได้พยายามทำมานาน และเป็นความสำเร็จที่ยิ่งใหญ่

หุ่นยนต์แบบอ่อนมีร่างกายที่ยืดหยุ่นได้ และสามารถเคลื่อนไหวได้หลายรูปแบบในเวลาเดียวกัน ในด้านการคำนวณ นี่เป็น “การแสดงสถานะ” ที่ซับซ้อนมาก ซึ่งอธิบายการเคลื่อนไหวของแต่ละส่วนของหุ่นยนต์ ซึ่งอาจมีมิติได้หลายล้านมิติ ทำให้การคำนวณวิธีการที่ดีที่สุดสำหรับหุ่นยนต์ในการทำงานที่ซับซ้อนเป็นเรื่องที่ยาก

นักวิจัยจาก MIT จะนำเสนอแบบจำลองที่การประชุมระบบประมวลผลข้อมูลประสาทในเดือนธันวาคม แบบจำลองนี้สามารถเรียนรู้ “การแสดงสถานะที่กะทัดรัด” หรือ “ต่ำมิติ” ซึ่งอาศัยฟิสิกส์ของหุ่นยนต์ สิ่งแวดล้อม และปัจจัยอื่นๆ แล้วแบบจำลองจะสามารถปรับให้เหมาะสมการควบคุมการเคลื่อนไหวและการออกแบบพารามิเตอร์วัสดุ ซึ่งมุ่งเป้าไปที่งานที่เฉพาะเจาะจง

Andrew Spielberg เป็นนักศึกษาระดับบัณฑิตศึกษาในห้องปฏิบัติการวิทยาศาสตร์คอมพิวเตอร์และปัญญาประดิษฐ์ (CSAIL)

“หุ่นยนต์แบบอ่อนเป็นสิ่งมีชีวิตที่มีมิติไม่สิ้นสุด ซึ่งสามารถงอได้หลายล้านวิธีในเวลาเดียวกัน แต่ในความเป็นจริง มีวิธีการงอที่เป็นธรรมชาติของวัตถุแบบอ่อนที่น่าจะเกิดขึ้น เราพบว่าสถานะธรรมชาติของหุ่นยนต์แบบอ่อนสามารถอธิบายได้อย่างกะทัดรัดในคำอธิบายที่ต่ำมิติ เราปรับให้เหมาะสมการควบคุมและการออกแบบหุ่นยนต์แบบอ่อนโดยการเรียนรู้การอธิบายที่ดีเกี่ยวกับสภาพที่น่าจะเกิดขึ้น”

ในซิมูเลชันที่เกิดขึ้น แบบจำลองทำให้หุ่นยนต์แบบอ่อน 2D และ 3D สามารถทำงานที่ตั้งเป้าหมายได้ ซึ่งรวมถึงการเคลื่อนไหวในระยะทางต่างๆ และไปถึงจุดที่ต้องการ แบบจำลองสามารถทำได้เร็วขึ้นและแม่นยำกว่าวิธีการปัจจุบัน นักวิจัยต้องการใช้แบบจำลองนี้ในหุ่นยนต์แบบอ่อนจริง

บุคคลอื่นๆ ที่ทำงานในโครงการนี้รวมถึงนักศึกษาระดับบัณฑิตศึกษา CSAIL Allan Zhao, Tao Du และ Yuanming Hu; Daniel Rus ผู้อำนวยการ CSAIL และ Andrew และ Erna Viterbi ศาสตราจารย์แห่งวิศวกรรมไฟฟ้าและวิทยาศาสตร์คอมพิวเตอร์; และ Wojciech Matusik ศาสตราจารย์ประจำสาขาวิศวกรรมไฟฟ้าและวิทยาศาสตร์คอมพิวเตอร์ และหัวหน้ากลุ่มการสร้างแบบจำลองเชิงคำนวณ

หุ่นยนต์แบบอ่อนเป็นสาขาที่กำลังเติบโตและมีความสำคัญอย่างมากในด้านหุ่นยนต์ที่ซับซ้อน ลักษณะเช่นร่างกายที่ยืดหยุ่นได้สามารถมีบทบาทสำคัญในการโต้ตอบกับมนุษย์ การจัดการวัตถุ การเคลื่อนไหว และอื่นๆ

ระหว่างซิมูเลชัน “ผู้สังเกตการณ์” มีหน้าที่ในการควบคุมหุ่นยนต์ “ผู้สังเกตการณ์” เป็นโปรแกรมที่คำนวณตัวแปรที่เห็นได้ว่าหุ่นยนต์แบบอ่อนกำลังเคลื่อนไหวเพื่อทำงานที่ตั้งเป้าหมาย

ในที่สุด นักวิจัยได้พัฒนาวิธีการ “การปรับให้เหมาะสมแบบเรียนรู้ในวงจร” ใหม่ ทุกพารามิเตอร์ที่ปรับให้เหมาะสมจะเรียนรู้ระหว่างวงจรการให้ข้อมูลกลับเพียงครั้งเดียว ซึ่งเกิดขึ้นระหว่างซิมูเลชันหลายครั้ง ในเวลาเดียวกัน วิธีการนี้เรียนรู้การแสดงสถานะ

แบบจำลองใช้เทคนิคที่เรียกว่า “วิธีการจุดวัสดุ (MPM)” MPM ซิมูเลชันพฤติกรรมของอนุภาคของวัสดุต่อเนื่อง เช่น โฟมและของเหลว และถูกล้อมรอบด้วยตาข่ายพื้นหลัง เทคนิคนี้สามารถจับอนุภาคของหุ่นยนต์และสิ่งแวดล้อมที่สามารถสังเกตได้ลงใน 3D พิกเซล หรือวอกเซล

ข้อมูลตาข่ายอนุภาคดิบจะถูกส่งไปยังส่วนประกอบการเรียนรู้ของเครื่องจักร ซึ่งเรียนรู้ที่จะนำเข้ารูปภาพ บีบอัดให้เป็นการแสดงต่ำมิติ และจากนั้นก็ขยายกลับเป็นรูปภาพเข้า

การแสดงต่ำมิติที่เรียนรู้ทำหน้าที่เป็นการแสดงสถานะต่ำมิติของหุ่นยนต์ การแสดงต่ำมิติที่บีบอัดจะวนกลับเข้าสู่การควบคุมในระยะปรับให้เหมาะสม และจะส่งออกการกระทำที่คำนวณสำหรับการเคลื่อนไหวของอนุภาคแต่ละตัวในขั้นตอนการกระตุ้น MPM ที่ถัดไป

ในเวลาเดียวกัน การควบคุมใช้ข้อมูลเพื่อปรับให้เหมาะสมความแข็งแรงที่เหมาะสมของอนุภาคแต่ละตัว ข้อมูลวัสดุสามารถใช้สำหรับการพิมพ์ 3D หุ่นยนต์แบบอ่อนได้ เนื่องจากจุดของอนุภาคแต่ละตัวสามารถพิมพ์ได้ด้วยความแข็งแรงที่แตกต่างกัน

“สิ่งนี้ช่วยให้สามารถสร้างการออกแบบหุ่นยนต์ที่เหมาะสมกับการเคลื่อนไหวของหุ่นยนต์ที่จะเกี่ยวข้องกับงานที่เฉพาะเจาะจง” Spielberg กล่าว “โดยการเรียนรู้พารามิเตอร์เหล่านี้ร่วมกัน คุณจะทำให้ทุกสิ่งประสานกันให้มากที่สุดเพื่อให้กระบวนการออกแบบง่ายขึ้น”

นักวิจัยหวังว่าพวกเขาจะสามารถออกแบบจากซิมูเลชันไปยังการผลิตได้ในที่สุด