Новини

Про Машинне Навчання та Штучний Інтелект

Алгоритм AI-дослідників для Soft-роботів

Формула глибокого навчання для роботів

Вчені Массачусетського технологічного інституту створили формулу, яка допомагає інженерам розробляти м'яку робототехніку, яка збирає більше корисних деталей щодо навколишнього середовища. Формула глибокого навчання передбачає покращене позиціонування датчиків усередині тіла робота, що дозволяє йому краще взаємодіяти зі своєю установкою та виконувати призначені завдання. Розробка є кроком на шляху автоматизації робототехнічного проектування. "Система не тільки виявляє поставлене завдання, а й визначає, як найкраще налаштувати робота для вирішення цього завдання", - стверджує Олександр Аміні. "Позиціонування сенсорного блоку - це справді складна проблема для вирішення. Отже, мати таку можливість неймовірно цікаво."

Дослідження, безумовно, існуватиме протягом усього квітневого Міжнародного семінару IEEE з м'якої робототехніки, а також буде опубліковано в журналі IEEE Robotics та Automation Letters. Співавторами проекту є Аміні та Ендрю Спілберг, обидва аспіранти Массачусетського Технологічного інституту (MIT Computer Science and Artificial Intelligence Research Laboratory, CSAIL). Серед інших співавторів - аспірантка Массачусетського технологічного інституту Ліліан Чин, а також професори Войцех Матусік та Даніела Рус.

Створення м'яких роботів, що виконують реальні завдання, було давньою складністю робототехніки. Їхні жорсткі аналоги мають комплексну перевагу: обмежену різноманітність видів діяльності. Кінцевий вибір суглобів та кінцівок жорсткої робототехніки, як правило, дає зручні оцінки алгоритмами, що управляють відображенням, а також плануванням руху. М'які роботи не такі слухняні.

Адаптована м'якотіла робототехніка

М'якотілі роботи легко пристосовуються і податливі - зазвичай вони більше схожі на жваву сферу, ніж на кулю для боулінгу. "Головна проблема м'якої робототехніки полягає в тому, що вони нескінченно багатовимірні", - каже Спілберг. - Будь-який тип точки на м'якотілому роботі теоретично може мати дефект будь-яким можливим способом." Це ускладнює створення м'якого робота, який може відображати розташування компонентів свого тіла. Минулі спроби фактично використовували зовнішню камеру, щоб намітити положення робота і передати цю інформацію назад прямо в програму управління роботом Проте дослідники мали намір створити м'якого робота, відв'язаного від зовнішньої допомоги.

"Ви не можете помістити нескінченну різноманітність сенсорних блоків на самого робота", - стверджує Спілберг. - Отже, питання в наступному: скільки у вас сенсорних блоків, а також де ви розміщуєте ці датчики, щоб отримати максимальну віддачу?" Група дивилася надто глибоко, щоб відповісти.

Семантична мережа

Дослідники розробили унікальний стиль семантичної мережі, який одночасно максимізує розміщення датчиків та дозволяє ефективно виконувати завдання. Спочатку вчені розділили тіло робота на області, звані "частинками"." За допомогою процесу проб і помилок мережа "виявляє" одну з найбільш ефективних послідовностей рухів для виконання завдань, таких як захоплення об'єктів різних розмірів У той же час мережа відстежує, які фрагменти використовуються найчастіше, а також вибирає менш використовувані фрагменти набору вхідних даних для подальших випробувань мереж.

Максимізуючи найважливіші частинки, мережа також пропонує, де датчики повинні бути розташовані на роботі, щоб гарантувати надійну роботу. Наприклад, в роботі, що замінює, з хапальною рукою формула може рекомендувати, щоб датчики були зосереджені в пальцях і навколо них, де спеціально контрольований зв'язок з налаштуванням має вирішальне значення для здатності робота маніпулювати об'єктами. Хоча це може бути очевидним, виявляється, що алгоритм значно перевершує інтуїцію людей щодо того, де цитувати сенсорні одиниці.

Дослідники порівняли свою формулу із набором експертних прогнозів. Для трьох різних макетів м'яких роботів група попросила робототехніків вибрати вручну, де повинні бути розміщені датчики, щоб забезпечити ефективне завершення таких робіт, як захоплення численних об'єктів. Після цього вони провели моделювання, протиставляючи робототехніку з людськими детекторами роботам з алгоритмічними детекторами. Як і результати були близькі. "Наша конструкція значно перевершувала людей для кожного завдання, хоча я подивився на кілька тіл роботів і також почував себе дуже впевнено, куди повинні йти сенсорні блоки", - стверджує Аміні. "Виявляється, у цій проблемі набагато більше тонкощів, ніж ми спочатку припускали."

Автоматизований процес

Спілберг стверджує, що їхня робота може допомогти автоматизувати процес роботизованого стилю. Поряд із створенням формул для управління рухами робота, "ми також маємо думати про те, як саме ми, швидше за все, сенсоризуватимемо цю робототехніку і як саме вона взаємодіятиме з іншими елементами цієї системи", - стверджує він. А також краще розміщення датчиків може мати комерційне застосування, особливо там, де роботи використовуються для тонких робіт, таких як захоплення. "Це те, де вам потрібно надзвичайно сильне, добре оптимізоване відчуття дотику", - стверджує Спілберг. - Отже, є можливість негайного удару."

"Автоматизація стилю сенсорних м'яких роботів - це найважливіша дія для швидкого створення інтелектуальних пристроїв, які допомагають людям виконувати фізичні завдання", - каже Рус. "Сенсорні блоки є вирішальним елементом процесу, оскільки вони дозволяють м'якому роботу "бачити", а також розпізнавати світ , а також його партнерство із земною кулею."

Це дослідження частково фінансувалося Національним науково-дослідним фондом, а також Структурою Фанні та Джона Герца.