Інженери розробили інструмент для покращення будь-якої автономної робототехнічної системи

Команда інженерів з Массачусетського технологічного інституту (MIT) розробила оптимізаційний код для покращення будь-якої автономної робототехнічної системи. Код автоматично визначає, як і де змінити систему, щоб покращити продуктивність робота.

Висновки інженерів будуть представлені на щорічній конференції з робототехніки та систем у Нью-Йорку. У команді брали участь Чарльз Досон, студент магістратури MIT, і ЧуЧу Фан, асистент професора кафедри аеронавтики та астронавтики MIT.

Розробка систем штучного інтелекту та робототехніки

Штучний інтелект (AI) та робототехнічні системи використовуються у широкому спектрі галузей, і кожна система є результатом процесу розробки, специфічного для кожної системи. Для розробки автономного робота інженери покладаються на симуляції методом проб і помилок, які часто ґрунтуються на інтуїції. Одночасно симуляції підходять до конкретних компонентів робота та його призначених завдань, що означає, що немає справжньої “рецепту” для гарантованого результату.

Інженери MIT змінюють це своєю новою універсальною інструментом для розробників робототехніки. Вони розробили оптимізаційний код, який можна застосувати до симуляцій майже будь-якої автономної робототехнічної системи, і він допомагає автоматично визначити способи покращення продуктивності робота.

Інструмент продемонстрував можливість покращення продуктивності двох дуже різних автономних систем. Перша система складалася з роботизованого транспорту, який планував шлях між двома перешкодами, а друга система була більш складною, з двома роботизованими транспорту, які працювали разом, щоб перемістити важкий ящик.

За словами дослідників, цей новий універсальний оптимізатор міг би допомогти прискорити розвиток широкого спектра автономних систем, таких як ходильні роботи або самоходні транспортні засоби.

Досон і Фан заявили, що вони усвідомили необхідність такого інструменту після спостереження за іншими автоматизованими інструментами розробки, доступними для інших інженерних дисциплін.

“Якщо інженер-механік хоче розробити вітроелектростанцію, він може використовувати інструмент 3D-CAD для розробки конструкції, а потім використовувати інструмент кінцевого елементного аналізу, щоб перевірити, чи витримає вона певні навантаження”, – говорить Досон. “Однак, для автономних систем відсутні такі комп’ютерні інструменти розробки”.

Для оптимізації автономної системи робототехнік зазвичай спочатку розробляє симуляцію системи та її взаємодіючих підсистем, а потім приймає певні параметри кожного компонента. Симуляцію потім запускають вперед, щоб побачити, як система буде працювати.

Необхідно виконати кілька процесів проб і помилок, перш ніж можна буде визначити оптимальну комбінацію інгредієнтів, і це досить тривалий процес.

“Натомість ніж питати, ‘Від чого залежить продуктивність?’, ми хотіли інвертувати це питання і запитати, ‘Від чого залежить продуктивність, яку ми хочемо бачити, і яка конструкція приводить нас до цього результату?'” – говорить Досон.

Оптимізаційний каркас, або комп’ютерний код, був розроблений для автоматичного пошуку змін, які можна зробити до існуючої системи. Код заснований на автоматичному диференціюванні, яке є програмним інструментом, спочатку використовуваним для навчання нейронних мереж. Також називається “автодиф”, ця техніка допомагає швидко та ефективно “оцінити похідну”, або чутливість до зміни будь-якого параметра.

“Наш метод автоматично каже нам, як зробити маленькі кроки від початкової конструкції до конструкції, яка досягає наших цілей”, – говорить Досон. “Ми використовуємо автодиф, щоб фактично розібрати код, який визначає симулятор, і визначити, як зробити цю інверсію автоматично”.

Тестування інструменту

Інструмент був протестований на двох окремих автономних робототехнічних системах, і він покращив продуктивність кожної системи в лабораторних експериментах. Хоча перша система складалася з роботизованого транспорту, який планував шлях між двома перешкодами, друга система була більш вражаючою.

Друга система була більш складною, з двома роботизованими транспорту, які працювали разом, щоб перемістити ящик до цільової позиції, що означало, що симуляція включала багато більше параметрів. Інструмент зміг ефективно визначити кроки, необхідні для роботів, щоб виконати свою задачу, і процес оптимізації був у 20 разів швидше, ніж традиційні методи.

“Якщо ваша система має більше параметрів для оптимізації, наш інструмент може працювати ще краще і може заощадити експоненційно більше часу”, – говорить Фан. “Це буквально комбінаторний вибір: чим більше параметрів, тим більше виборів, і наш підхід може зменшити це за один крок”.

Універсальний оптимізатор доступний для завантаження, і команда тепер буде працювати над подальшою його вдосконаленою версією, яка зробить його корисним для більш складних систем.

“Наша мета – надати людям можливість будувати кращі роботи”, – говорить Досон. “Ми надаємо новий будівельний блок для оптимізації їхньої системи, так що їм не потрібно починати з нуля”.