Mühendisler Herhangi Bir Otonom Robotik Sistemini Geliştirmek için Araç Geliştirdiler

MIT’teki mühendisler, herhangi bir otonom robotik sistemini geliştirmek için bir optimizasyon kodu geliştirdiler. Kod, bir robotun performansını geliştirmek için bir sistemi nasıl ve nerede değiştireceğini otomatik olarak tanımlar.

Mühendislerin bulguları, New York’ta düzenlenen yıllık Robotics: Science and Systems konferansında sunulacak. Ekibe, MIT lisansüstü öğrencisi Charles Dawson ve MIT Havacılık ve Uzay Mühendisliği Bölümü asistan profesörü ChuChu Fan dahildi.

AI ve Robotik Sistemlerin Tasarlanması

Yapay zeka (AI) ve robotik sistemler, birçok endüstride kullanılır ve her sistem, belirli bir sisteme özgü bir tasarım sürecinin sonucudur. Bir otonom robota tasarlamak için mühendisler, genellikle bir robota ve atanmış görevlerine özgü bileşenlerine göre uyarlanmış simülasyonlar tarafından bilgilendirilen deneme-yanılma simülasyonlarına güvenirler. Aynı zamanda, simülasyonlar, belirli bir sonucu garantilemek için gerçek bir “tarif” olmadığı anlamına gelen, bir robota ve atanmış görevlerine özgüdür.

MIT mühendisleri, bu durumu değiştirmek için yeni bir genel tasarım aracı geliştirdiler. Neredeyse herhangi bir otonom robotik sistemin simülasyonlarına uygulanabilen bir optimizasyon kodu geliştirdiler ve bu, bir robotun performansını geliştirmek için nasıl değiştirileceğini otomatik olarak tanımlar.

Araç, iki farklı otonom sistemde test edildi ve her iki sistemde de performansını geliştirdi. İlk sistem, iki engel arasında bir yol planlayan tekerlekli bir robottan oluşuyordu ve ikinci sistem gerçekten etkileyiciydi.

İkinci sistem daha karmaşıktı ve bir kutuyu hedef konumuna itmekte birlikte çalışan iki tekerlekli robottan oluşuyordu, bu da simülasyonun daha fazla parametre içerdiği anlamına geliyordu. Araç, robotların görevlerini gerçekleştirmek için gerekli adımları verimli bir şekilde tanımlayabildi ve optimizasyon süreci geleneksel tekniklerden 20 kat daha hızlıydı.

Araştırmacılara göre, bu yeni genel amaçlı optimizatör, yürüyen robotlar veya otonom araçlar gibi çeşitli otonom sistemlerin geliştirilmesini hızlandırabilir.

Dawson ve Fan, bu tür bir aracın ihtiyacını, diğer mühendislik disiplinleri için mevcut diğer otomatik tasarım araçlarını gözlemledikten sonra fark ettiklerini söylediler.

“Eğer bir makine mühendisi bir rüzgar türbini tasarlamak isterse, bir 3D CAD aracı kullanarak yapıyı tasarlayabilir, ardından belirli yüklere karşı direncini kontrol etmek için bir sonlu eleman analizi aracı kullanabilir” dedi Dawson. “Ancak, otonom sistemler için bu tür bilgisayar destekli tasarım araçları eksikliği var.”

Bir otonom sistemi optimize etmek için, bir roboticist genellikle önce sistemi ve etkileşen alt sistemlerini simüle eder, ardından her bileşenin belirli parametrelerini alır. Simülasyon daha sonra, sistem nasıl performans göstereceğini görmek için ileriye doğru çalıştırılır.

Optimal bileşen kombinasyonunu belirlemek için birden fazla deneme-yanılma işlemi çalıştırılması gerekir ve bu zaman alıcı bir işlemdir.

“Bir tasarım verildiğinde, performans nedir?” sorusunu sormak yerine, “İstediğimiz performansı elde etmek için hangi tasarım bize ulaşır?” sorusunu sormak istedik” dedi Dawson.

Optimizasyon çerçevesi veya bilgisayar kodu, mevcut bir sistemi değiştirmek için yapılacak ayarları otomatik olarak bulmak üzere tasarlandı. Kod, ilk olarak sinir ağlarını eğitmek için kullanılan bir program aracı olan otomatik diferansiyasyon üzerine dayanır. Ayrıca “autodiff” olarak adlandırılan bu teknik, herhangi bir parametrenin değişime duyarlılığını hızlı ve verimli bir şekilde “değerlendirmeye” yardımcı olur.

“Yöntemimiz, bir tasarımdan başlayarak, hedeflerimize ulaşan bir tasarıma doğru küçük adımlar atmamızı otomatik olarak söyler” dedi Dawson. “Simülatörü tanımlayan kodu kullanarak, bu dönüşümü otomatik olarak nasıl yapacağımızı belirlemek için autodiff kullanıyoruz.”

Araç Test Ediliyor

Araç, iki ayrı otonom robotik sistemde test edildi ve her iki sistemde de laboratuvar deneylerinde performansını geliştirdi. İlk sistem, iki engel arasında bir yol planlayan tekerlekli bir robottan oluşuyordu, ancak ikinci sistem gerçekten etkileyiciydi.

İkinci sistem daha karmaşıktı ve bir kutuyu hedef konumuna itmekte birlikte çalışan iki tekerlekli robottan oluşuyordu, bu da simülasyonun daha fazla parametre içerdiği anlamına geliyordu. Araç, robotların görevlerini gerçekleştirmek için gerekli adımları verimli bir şekilde tanımlayabildi ve optimizasyon süreci geleneksel tekniklerden 20 kat daha hızlıydı.

“Sistem daha fazla parametreyi optimize ediyorsa, aracımız daha da iyi performans gösterebilir ve zamanı üssel olarak azaltabilir” dedi Fan. “Aslında, bu bir kombinasyon seçimi: Parametre sayısı arttıkça, seçenekler de artar ve bizim yaklaşımımız bu seçimleri tek seferde azaltabilir.”

Genel optimizatör indirilmeye hazır ve ekip şimdi onu daha da geliştirmeye çalışacak, bu da daha karmaşık sistemler için daha faydalı hale getirecek.

“Hedefimiz, insanların daha iyi robotlar inşa etmesini sağlamak” dedi Dawson. “Sistemlerini optimize etmek için yeni bir yapı taşı sağlıyoruz, böylece sıfırdan başlamalarına gerek kalmayacak.”