软体机器人通过新的深度学习神经网络更高效

软体机器人是机器人领域中的一种非常重要的工具，因为传统的刚性机器人无法完成相同类型的任务。前者与人类交互更安全，并且可以完成诸如进入狭窄空间等任务。

软体机器人面临的一个主要挑战是，它们必须知道所有身体部位的位置才能完成编程任务，这变得更加困难，因为软体机器人可以以几乎无限的方式变形。

现在，麻省理工学院的研究人员开发了一种新的深度学习算法，帮助工程师设计软体机器人，使其能够收集更多关于周围环境的数据。该算法通过建议在机器人身体内优化传感器的放置位置来工作。这样，它就可以完成分配的任务并与环境交互。

Alexander Amini 是研究的共同首席作者，Andrew Spielberg也是共同首席作者，他们都是麻省理工学院计算机科学和人工智能实验室的博士生。该研究发表在 IEEE 机器人和自动化信件 上，其他共同作者包括 Lillian Chin博士生，Wojciech Matusik 和 Daniela Rus 教授。

“该系统不仅可以学习给定的任务，还可以学习如何最佳地设计机器人来解决该任务，” Amini 说。“传感器放置是一个非常困难的问题。因此，拥有解决方案是非常令人兴奋的。”

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

刚性机器人与软体机器人

刚性机器人的一个主要优势是，它们的运动范围有限，虽然这看起来像是一个缺点，但它意味着有限的关节和肢体数量会导致更易于管理的计算。

这些计算在算法控制映射和运动规划时更容易处理。软体机器人无法做到这一点，因为它们是柔性的。

“软体机器人的主要问题是，它们是无限维的，” Spielberg 说。“理论上，软体机器人上的任何一点都可以以任何可能的方式变形。”

在过去，研究人员使用外部摄像头来绘制机器人的位置，然后将其反馈到机器人的控制程序中。新的团队寻找了一种方法来创建不依赖外部帮助的软体机器人。

“你不能在机器人本身上放置无限多的传感器，” Spielberg 继续说。“所以，问题是：你有多少传感器，你将这些传感器放在哪里才能获得最大的收益？”

研究人员开发了一种新颖的神经网络架构，可以优化传感器放置并学习高效地完成任务。他们首先将机器人的身体分成不同的区域，称为“粒子”。

神经网络使用每个粒子的应变率作为输入，通过试错，网络可以学习出完成给定任务的最有效的运动序列。网络还跟踪哪些粒子使用得更多，以便网络的输入可以进行调整。

在传感器放置方面超越人类

网络通过优化最重要的粒子来建议机器人身体上的传感器放置位置。在测试中，算法在传感器放置方面超越了人类。

算法然后被测试与一系列专家预测进行比较。

“我们的模型在每个任务中都远远超越了人类，尽管我查看了一些机器人身体，并且对传感器应该放在哪里感到非常自信，” Amini 说。“事实证明，这个问题中有很多我们最初没有预料到的细微差别。”

根据 Spielberg 的说法，新的发展可以帮助自动化机器人设计过程，并帮助开发出控制机器人运动的新算法。

“…我们还需要思考如何为这些机器人添加传感器，以及这将如何与系统的其他组件交互，”他说。“这是一个需要非常强大、优化良好的触觉的领域。因此，这有可能产生立即的影响。”

“自动化设计传感化软体机器人是快速创建智能工具以帮助人们完成物理任务的重要一步，” Rus 说。“传感器是这一过程中的一个重要方面，因为它们使软体机器人能够‘看到’和理解世界及其与世界的关系。”