研究人员开发出控制软机器人的新方法

研究人员 麻省理工学院 已经找到了一种更好地控制和设计软机器人来执行目标任务的方法。 长期以来，这一直是软体机器人的目标，也是一项巨大的成就。 

软机器人具有灵活的身体，能够在任何给定时间以无限多种方式移动。 在计算方面，这是一个高度复杂的“状态表示”，描述了机器人每个部分的运动。 这些可能有数百万个维度，这意味着计算机器人完成复杂目标任务的最佳方式更加困难。

麻省理工学院的研究人员将在 XNUMX 月的神经信息处理系统会议上展示一个模型。 该模型能够学习基于机器人物理、环境和其他因素的紧凑或“低维”状态表示。 然后，该模型能够共同优化运动控制以及材料设计参数，然后将这些参数针对特定任务。 

安德鲁·斯皮尔伯格是计算机科学与人工智能实验室 (CSAIL) 的研究生。 

“软机器人是无限维度的生物，在任何特定时刻都会以十亿种不同的方式弯曲，但事实上，软物体可能有自然的弯曲方式。 我们发现软机器人的自然状态可以在低维描述中非常紧凑地描述。 我们通过学习对可能状态的良好描述来优化软机器人的控制和设计。”

在进行的模拟中，该模型使 2D 和 3D 软机器人能够完成目标任务。 任务包括移动不同的距离和到达目标点。 与其他当前方法相比，该模型能够更快、更准确地完成这些工作。 研究人员现在希望在真正的软机器人中使用该模型。 

其他参与该项目的个人包括 CSAIL 研究生 Allan Zhu、Tao Du 和 Yuanming Hu； Daniel Rus，CSAIl 主任，Andrew 和 Erna Viterbi 电气工程和计算机科学教授； 麻省理工学院电气工程和计算机科学副教授兼计算制造小组负责人 Wojciech Matusik。 

软机器人是一个不断发展的领域，在更广泛的先进机器人技术范围内极其重要。 灵活的身体等特征可以在更安全地与人类互动、物体操纵、可操作性等方面发挥作用。 

在模拟过程中，“观察者”负责机器人的控制。 “观察者”是一个计算变量的程序，这些变量可以看到软机器人为了完成任务而移动的方式。 

最终，研究人员开发了一种新的“循环学习优化”方法。 所有优化的参数都是在多次模拟中发生的单个反馈循环中学习的。 同时，该方法学习状态表示。 

该模型使用一种称为“质点法 (MPM)”的技术。 MPM 模拟连续材料（如泡沫和液体）粒子的行为，并且它被背景网格包围。 该技术能够将机器人及其可观察环境的粒子捕获为 3D 像素或体素。 

然后，原始粒子网格信息被发送到机器学习组件。 它学习输入图像，将其压缩为低维表示，然后将其解压缩回输入图像。 

学习到的压缩表示充当机器人的低维状态表示。 压缩表示在优化阶段循环回控制器，并输出计算出的动作，以确定每个粒子在下一个 MPM 刺激步骤中应如何移动。 

同时，控制器利用这些信息来调整每个粒子的最佳刚度。 材料信息可用于 3D 打印软机器人，因为每个粒子点都可以以不同的刚度打印。 

斯皮尔伯格说：“这允许创建适合与特定任务相关的机器人运动的机器人设计。” “通过一起学习这些参数，您可以使所有内容尽可能保持同步，从而使设计过程变得更加容易。”

研究人员希望他们最终能够实现从模拟到制造的设计。