研究人员开发新的控制软体机器人的方法

来自马萨诸塞理工学院的研究人员已经找到了一种更好地控制和设计软体机器人以执行目标任务的方法。这在软体机器人领域一直是一个目标，并且这是一个巨大的成就。

软体机器人具有柔性身体，可以以无数种方式移动。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。这些可能具有数百万个维度，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。

马萨诸塞理工学院的研究人员将在12月的神经信息处理系统会议上提出一个模型。该模型能够学习一个紧凑的或“低维度”的状态表示，基于机器人的物理、环境和其他因素。然后，该模型可以同时优化运动控制和材料设计参数，以实现特定的任务。

安德鲁·斯皮尔伯格是计算机科学和人工智能实验室（CSAIL）的研究生。

“软体机器人是具有无限维度的生物，可以以数十亿种方式弯曲，但事实上，软体物体可能以自然的方式弯曲。我们发现软体机器人的自然状态可以用紧凑的低维度描述来描述。我们通过学习软体机器人可能的状态的良好描述来优化控制和设计。”

在模拟中，该模型使2D和3D软体机器人能够完成目标任务。这些任务包括移动不同的距离和到达目标点。该模型比其他当前方法更快、更准确地完成了这些任务。研究人员现在希望在真正的软体机器人中使用该模型。

其他参与该项目的个人包括CSAIL的研究生艾伦·赵、陶笛和袁明；CSAIL主任、安德鲁和艾尔娜·维特比电气工程和计算机科学教授丹尼尔·鲁斯；以及MIT电气工程和计算机科学副教授、计算制造集团负责人沃伊切赫·马图西克。

软体机器人领域是一个快速增长的领域，在先进机器人领域中具有重要意义。柔性身体等特性可以在与人类的交互、物体操作、机动性等方面发挥作用。

在模拟中，一个“观察者”负责控制机器人。一个“观察者”是一个计算变量的程序，用于看到软体机器人如何移动以完成任务。

最终，研究人员开发了一种新的“学习-优化”方法。所有优化参数都在单个反馈循环中学习，该循环发生在多个模拟中。同时，该方法学习状态表示。

该模型使用了一种称为“材料点法”（MPM）的技术。MPM模拟了连续材料（如泡沫和液体）的行为，并被背景网格所包围。该技术可以将机器人和其可观察环境的粒子捕获到3D像素或体素中。

原始粒子网格信息然后被发送到一个机器学习组件。它学习输入图像、压缩它到低维度表示，然后将其解压缩回输入图像。

学习的压缩表示作为机器人的低维度状态表示。压缩表示在优化阶段反馈到控制器中，并输出一个计算出的动作，用于确定每个粒子在下一个MPM模拟步骤中如何移动。

同时，控制器使用信息来调整每个粒子的最佳刚度。材料信息可以用于3D打印软体机器人，因为每个粒子点可以以不同的刚度打印。

“这使我们能够创建适应特定任务的机器人设计，”斯皮尔伯格说。“通过同时学习这些参数，我们可以使设计过程尽可能同步，以便使设计过程更容易。”

研究人员希望他们最终能够从模拟到制造设计。