Алгоритм AI-Исследователей для Soft-роботов

Формула глубокого обучения для роботов

Ученые Массачусетского технологического института создали формулу, помогающую инженерам разрабатывать мягкую робототехнику, которая собирает больше полезных деталей, касающихся окружающей среды. Формула глубокого обучения предполагает улучшенное позиционирование датчиков внутри тела робота, что позволяет ему лучше взаимодействовать со своей установкой и выполнять назначенные задания. Разработка является шагом на пути к автоматизации робототехнического проектирования. "Система не только обнаруживает поставленную задачу, но и определяет, как лучше всего настроить робота для решения этой задачи", - утверждает Александр Амини. "Позиционирование сенсорного блока-это действительно сложная проблема для решения. Так что иметь такую возможность невероятно интересно."

Исследование, безусловно, будет существовать на протяжении всего апрельского Международного семинара IEEE по мягкой робототехнике, а также будет опубликовано в журнале IEEE Robotics, а также Automation Letters. Соавторами проекта являются Амини и Эндрю Спилберг, оба аспиранта Массачусетского Технологического института (MIT Computer Science and Artificial Intelligence Research Laboratory ,CSAIL). Среди других соавторов-аспирантка Массачусетского технологического института Лилиан Чин, а также профессора Войцех Матусик и Даниэла Рус.

Создание мягких роботов, выполняющих реальные задания, было давней трудностью в робототехнике. Их жесткие аналоги имеют комплексное преимущество: ограниченное разнообразие видов деятельности. Конечный выбор суставов и конечностей жесткой робототехники, как правило, дает удобные оценки алгоритмами, которые управляют отображением, а также планированием движения. Мягкие роботы не так послушны.

Адаптируемая мягкотелая робототехника

Мягкотелые роботы легко приспосабливаются и податливы - обычно они больше похожи на оживленную сферу, чем на шар для боулинга. "Главная проблема мягкой робототехники заключается в том, что они бесконечно многомерны", - говорит Спилберг. - Любой тип точки на мягкотелом роботе теоретически может иметь дефект любым возможным способом." Это затрудняет создание мягкого робота, который может отображать расположение компонентов своего тела. Прошлые попытки фактически использовали внешнюю камеру, чтобы наметить положение робота и передать эту информацию обратно прямо в программу управления роботом. Однако исследователи намеревались создать мягкого робота, отвязанного от внешней помощи.

"Вы не можете поместить бесконечное разнообразие сенсорных блоков на самого робота", - утверждает Спилберг. - Итак, вопрос в следующем: сколько у вас сенсорных блоков, а также где вы размещаете эти датчики, чтобы получить максимальную отдачу?" Группа смотрела слишком глубоко, чтобы ответить.

Семантическая сеть

Исследователи разработали уникальный стиль семантической сети, который одновременно максимизирует размещение датчиков и позволяет эффективно выполнять задания. Первоначально ученые разделили тело робота на области, называемые "частицами"." Скорость деформации каждой частицы была предложена в качестве входных данных для семантической сети. С помощью процесса проб и ошибок сеть "обнаруживает" одну из наиболее эффективных последовательностей движений для выполнения задач, таких как захват объектов различных размеров. В то же время сеть отслеживает, какие фрагменты используются чаще всего, а также выбирает менее используемые фрагменты из набора входных данных для последующих испытаний сетей.

Максимизируя наиболее важные частицы, сеть также предлагает, где датчики должны быть расположены на роботе, чтобы гарантировать надежную работу. Например, в заменяющем роботе с хватательной рукой формула может рекомендовать, чтобы датчики были сосредоточены в пальцах и вокруг них, где специально контролируемая связь с настройкой имеет решающее значение для способности робота манипулировать объектами. Хотя это может показаться очевидным, оказывается, что алгоритм значительно превосходит интуицию людей относительно того, где цитировать сенсорные единицы.

Исследователи сравнили свою формулу с набором экспертных прогнозов. Для трех различных макетов мягких роботов группа попросила робототехников вручную выбрать, где должны быть размещены датчики, чтобы обеспечить эффективное завершение таких работ, как захват многочисленных объектов. После этого они провели моделирование, противопоставляя робототехнику с человеческими сенсорами роботам с алгоритмическими сенсорами. Так же как и результаты не были близки. "Наша конструкция значительно превосходила людей для каждой задачи, хотя я посмотрел на несколько тел роботов и также чувствовал себя очень уверенно в том, куда должны идти сенсорные блоки", - утверждает Амини. "Оказывается, в этой проблеме гораздо больше тонкостей, чем мы изначально предполагали."

Автоматизированный процесс

Спилберг утверждает, что их работа может помочь автоматизировать процесс роботизированного стиля. Наряду с созданием формул для управления движениями робота, "мы также должны думать о том, как именно мы, скорее всего, будем сенсоризировать эту робототехнику и как именно она будет взаимодействовать с другими элементами этой системы", - утверждает он. А также гораздо лучшее размещение датчиков может иметь коммерческое применение, особенно там, где роботы используются для тонких работ, таких как захват. "Это то, где вам нужно чрезвычайно сильное, хорошо оптимизированное чувство осязания",-утверждает Спилберг. - Значит, есть возможность немедленного удара."

""Автоматизация стиля сенсорных мягких роботов-это важнейшее действие для быстрого создания интеллектуальных устройств, которые помогают людям выполнять физические задачи", - говорит Рус. "Сенсорные блоки являются решающим элементом процесса, поскольку они позволяют мягкому роботу "видеть", а также распознавать мир, а также его партнерство с земным шаром."

Это исследование частично финансировалось Национальным научно-исследовательским фондом, а также Структурой Фанни и Джона Герца.