Mühendisler Herhangi Bir Otonom Robot Sistemini İyileştirmek İçin Araç Geliştiriyor

MIT'deki bir mühendis ekibi, herhangi bir otonom robotik sistemi iyileştirmek için bir optimizasyon kodu geliştirdi. Kod, bir robotun performansını iyileştirmek için bir sistemin nasıl ve nerede değiştirileceğini otomatik olarak tanımlar. 

Mühendisler' bulgular New York'ta yıllık Robotik: Bilim ve Sistemler konferansında sunulacak. Ekip, MIT lisansüstü öğrencisi Charles Dawson ve MIT'nin Havacılık ve Uzay Bilimleri Bölümü'nde yardımcı doçent olan ChuChu Fan'ı içeriyordu. 

Yapay Zeka ve Robotik Sistemler Tasarlamak

Yapay zeka (AI) ve robotik sistemler çok çeşitli endüstrilerde kullanılmaktadır ve her sistem, belirli bir sisteme özgü bir tasarım sürecinin sonucudur. Otonom bir robot tasarlamak için mühendisler, genellikle sezgiyle bilgilendirilen deneme yanılma simülasyonlarına güvenirler. Aynı zamanda simülasyonlar, robotun belirli bileşenlerine ve belirlenmiş görevlerine göre uyarlanmıştır, yani başarılı bir sonuç elde etmek için gerçek bir "tarif" yoktur. 

MIT mühendisleri, robotikçiler için yeni genel tasarım araçlarıyla bunu değiştiriyor. Neredeyse tüm otonom robotik sistemlerin simülasyonlarına uygulanabilecek bir optimizasyon kodu geliştirdiler ve bu kod, bir robotun performansının iyileştirilebileceği yolların otomatik olarak belirlenmesine yardımcı oluyor. 

Araç, iki çok farklı otonom sistemin performansını iyileştirme becerisi gösterdi. İlki, iki engel arasındaki bir yolda ilerleyen bir robottu, diğeri ise ağır bir kutuyu taşımak için birlikte çalışan bir çift robottu. 

Araştırmacılara göre, bu yeni genel amaçlı optimize edici, yürüyen robotlar veya sürücüsüz araçlar gibi çok çeşitli otonom sistemlerin gelişimini hızlandırmaya yardımcı olabilir. 

Dawson ve Fan, diğer mühendislik disiplinleri için mevcut olan diğer çeşitli otomatik tasarım araçlarını gözlemledikten sonra bu tür araçlara olan ihtiyacı fark ettiklerini söylediler. 

Dawson, "Bir makine mühendisi bir rüzgar türbini tasarlamak isterse, yapıyı tasarlamak için bir 3B CAD aracı kullanabilir, ardından belirli yüklere dayanıp dayanmayacağını kontrol etmek için bir sonlu eleman analiz aracı kullanabilir" diyor. "Ancak, otonom sistemler için bu bilgisayar destekli tasarım araçlarının eksikliği var."

Otonom bir sistemi optimize etmek için, bir robot uzmanı genellikle her bileşenin belirli parametrelerini almadan önce sistemin ve etkileşimli alt sistemlerinin bir simülasyonunu geliştirir. Simülasyon daha sonra sistemin nasıl performans göstereceğini görmek için ileriye doğru çalıştırılır. 

Bileşenlerin optimum kombinasyonunun belirlenebilmesi için birden fazla deneme yanılma sürecinin gerçekleştirilmesi gerekir ve bu, zaman alan bir çabadır. 

Dawson, "'Bir tasarım verildiğinde, performans nedir?' demek yerine, bunu tersine çevirip, 'Görmek istediğimiz performans verildiğinde, bizi oraya götürecek tasarım nedir?' demek istedik." diyor.

Optimizasyon çerçevesi veya bilgisayar kodu, mevcut bir sistemde yapılabilecek ince ayarları otomatik olarak bulmak için tasarlanmıştır. Kod, başlangıçta sinir ağlarını eğitmek için kullanılan bir programlama aracı olan otomatik farklılaşmaya dayanmaktadır. "Autodiff" olarak da adlandırılan bu teknik, hızlı ve verimli bir şekilde "türevin değerlendirilmesine" veya herhangi bir parametrenin değişimine duyarlılığına yardımcı olur. 

Dawson, "Metodumuz, ilk tasarımdan hedeflerimize ulaşan bir tasarıma doğru küçük adımları nasıl atacağımızı bize otomatik olarak söylüyor" diyor. "Aslında bir simülatörü tanımlayan kodu araştırmak ve bu ters çevirmeyi otomatik olarak nasıl yapacağımızı bulmak için autodiff kullanıyoruz."

Aracı Test Etme

Araç, iki ayrı otonom robotik sistemde test edildi ve laboratuvar deneylerinde her sistemin performansını iyileştirdi. İlk sistem, iki engel arasında yol çizmek için tasarlanmış tekerlekli bir robottan oluşurken, gerçekten etkileyici olan ikinci sistemdi. 

İkinci sistem, bir kutuyu hedef konuma doğru itmek için birlikte çalışan iki tekerlekli robotla daha karmaşıktı, yani simülasyon çok daha fazla parametre içeriyordu. Araç, robotların görevlerini yerine getirmeleri için gereken adımları verimli bir şekilde tanımlayabildi ve optimizasyon süreci, geleneksel tekniklerden 20 kat daha hızlıydı. 

Fan, "Sisteminizde optimize edilecek daha fazla parametre varsa, aracımız daha da iyisini yapabilir ve kat kat daha fazla zaman kazandırabilir," diyor. "Bu temelde bir kombinasyonel seçim: Parametre sayısı arttıkça seçenekler de artıyor ve yaklaşımımız bunu tek seferde azaltabiliyor."

Genel optimize edici indirilebilir ve ekip şimdi onu daha da iyileştirmeye çalışacak ve bu da onu daha karmaşık sistemler için kullanışlı hale getirecektir. 

Dawson, "Amacımız, insanların daha iyi robotlar inşa edebilmelerini sağlamak," diyor. "Sistemlerini optimize etmeleri için yeni bir yapı taşı sağlıyoruz, böylece sıfırdan başlamak zorunda kalmıyorlar."