М’якороботи з новою нейронною мережею глибокого навчання працюють більш ефективно

М’якороботи є надзвичайно важливим інструментом у галузі робототехніки, оскільки традиційні та жорсткороботи не можуть виконувати ті ж самі завдання. Перші взаємодіють з людьми безпечніше, і вони можуть робити речі, наприклад, вміщуватися в тісні простори.

Однією з основних проблем, пов’язаних з м’якороботами, є те, що їм потрібно знати, де знаходяться всі частини їхнього тіла, щоб виконувати запрограмовані завдання, і це стає ще більш складним, оскільки м’якороботи можуть деформуватися майже нескінченно.

Тепер дослідники в Массачусетському технологічному інституті розробили новий алгоритм глибокого навчання, який допомагає інженерам проектувати м’якороботи таким чином, щоб вони могли зібрати більше даних про свої оточення. Алгоритм працює шляхом пропозиції оптимізованого розміщення датчиків всередині тіла робота. Це дозволяє йому виконувати призначені завдання, взаємодіючи з оточенням.

Александр Аміні є співавтором дослідження разом з Ендрю Спільбергом, обидва є аспірантами лабораторії комп’ютерних наук та штучного інтелекту Массачусетського технологічного інституту. Дослідження було опубліковано в IIEEE Robotics and Automation Letters разом з іншими співавторами, включаючи Ліліан Чін, аспіранта, і Войтєха Матусяка та Даніелу Рус, професорів університету.

«Система не тільки вивчає дане завдання, але й вчиться, як найкраще проектувати робота для виконання цього завдання», – говорить Аміні. «Розміщення датчиків – це дуже складна проблема для вирішення. Тому наявність рішення є надзвичайно цікавою».

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

Жорсткороботи проти м’якороботів

Однією з найбільших переваг жорсткороботів є те, що вони мають обмежений діапазон руху, і хоча це здається недоліком, це означає, що скінченна кількість суглобів і кінцівок веде до більш керованих обчислень.

Ці обчислення легше працювати з алгоритмами, що контролюють відображення та планування руху. М’якороботи не можуть робити те ж саме, оскільки вони гнучкі.

«Основна проблема з м’якороботами полягає в тому, що вони є нескінченно-вимірними», – говорить Спільберг. «Будь-яка точка на м’якороботі теоретично може деформуватися будь-яким можливим способом».

У минулому дослідники використовували зовнішню камеру для реєстрації положення робота, яке потім передавалося в програму контролю робота. Нова команда шукала спосіб створити м’якоробота, незалежного від зовнішньої допомоги.

«Ви не можете розмістити нескінченну кількість датчиків на самому роботі», – продовжує Спільберг. «Тому питання полягає в тому, скільки датчиків у вас є і де ви розміщуєте ці датчики, щоб отримати максимальну вигоду».

Дослідники розробили нову архітектуру нейронної мережі, яка може оптимізувати розміщення датчиків і вивчити ефективне виконання завдань. Вони спочатку розділили тіло робота на різні регіони, які називаються «частинками».

Нейронна мережа використовувала швидкість деформації кожної частинки як вхідні дані, і через спроби та помилки мережа могла вивчити найбільш ефективну послідовність рухів для даного завдання. Мережа також відстежувала, які частинки використовувалися частіше інших, щоб вхідні дані мережі могли бути скориговані.

Перевершення людини у розміщенні датчиків

Мережа пропонує розміщення датчиків на роботі шляхом оптимізації найбільш важливих частинок. У тестах алгоритм перевершив людей, коли йшлося про визначення найбільш ефективних місць для розміщення датчиків.

Алгоритм був протестований проти серії прогнозів експертів.

«Наша модель значно перевершувала людей для кожного завдання, хоча я дивився на деякі тіла роботів і відчував велику впевненість у тому, де повинні знаходитися датчики», – говорить Аміні. «Виявляється, що в цій проблемі є багато більшої складності, ніж ми спочатку очікували».

За словами Спільберга, новий розвиток може допомогти автоматизувати процес проектування роботів і створити нові алгоритми для контролю руху роботів.

«… ми також повинні подумати про те, як ми будемо оснащувати цих роботів датчиками, і як це буде взаємодіяти з іншими компонентами цієї системи», – говорить він. «Це те, для чого потрібно дуже надійне, добре оптимізоване відчуття дотику. Тому тут є потенціал для негайного впливу».

«Автоматизація проектування м’якороботів з датчиками є важливим кроком на шляху до швидкого створення інтелектуальних інструментів, які допоможуть людям у фізичних завданнях», – говорить Рус. «Датчики є важливим аспектом процесу, оскільки вони дозволяють м’якороботу «бачити» і розуміти світ та свою взаємодію зі світом».