Исследователи Массачусетского технологического института создали нейронную сеть глубокого обучения, чтобы помочь в разработке мягкотелых роботов, таких как эти итерации роботизированного слона.
Иллюстрация любезно предоставлена разработчиками алгоритма
Есть некоторые задачи, для которых традиционные роботы — жесткие и металлические — просто не созданы. Мягкотелые роботы могут взаимодействовать с людьми более безопасно или легко проскальзывать в тесное пространство. Но чтобы такие устройства могли надежно выполнять свои запрограммированные обязанности, они должны знать местонахождение всех частей своего тела. Это трудная задача для мягкого робота, который может деформироваться практически бесконечным числом способов.
Исследователи Массачусетского технологического института разработали алгоритм, который поможет инженерам проектировать мягких роботов, собирающих больше полезной информации об их окружении. Алгоритм глубокого обучения предполагает оптимизированное размещение датчиков внутри тела робота, что позволяет ему лучше взаимодействовать с окружающей средой и выполнять поставленные задачи. Это шаг вперед к автоматизации проектирования роботов. “Система не только изучает заданную задачу, но и помогает лучше спроектировать робота, чтобы решить ее, — говорит Александр Амини (Alexander Amini). — Размещение датчиков — очень сложная проблема. Справиться с ней — чрезвычайно интересно”.
Исследование будет представлено во время апрельской международной конференции IEEE по мягкой робототехнике и будет опубликовано в журнале IEEE Robotics and Automation Letters. Соавторами являются Амини и Эндрю Спилберг (Andrew Spielberg), аспиранты MIT Computer Science and Artificial Intelligence Laboratory (CSAIL). Среди других соавторов — аспирантка MIT Лилиан Чин (Lillian Chin) и профессоры Войцех Матусик (Wojciech Matusik) и Даниэла Рус (Daniela Rus).
Создание мягких роботов, которые выполняют реальные задачи, было давней мечтой в робототехнике. Их жесткие аналоги имеют встроенное преимущество: ограниченный диапазон движения. Жесткий конечный массив суставов и конечностей роботов обычно делает управляемые вычисления алгоритмами, которые управляют отображением и планированием движения. Мягкие роботы не так послушны.
Мягкотелые роботы гибки и податливы — обычно они больше похожи на воздушный шарик, чем на шар для боулинга. “Главная проблема с мягкими роботами заключается в том, что они бесконечно мерны, — объясняет г-н Спилберг. — Любая точка на мягкотелом роботе теоретически может деформироваться любым возможным способом”. Это затрудняет разработку мягкого робота, который может отображать расположение частей своего тела. Прошлые попытки использовали внешнюю камеру, чтобы зафиксировать положение робота и передать эту информацию обратно в программу управления роботом. Но исследователи хотели создать мягкого робота, не привязанного к внешней помощи.
“Вы не можете поставить бесконечное количество датчиков на самого робота, — говорит Спилберг. — Итак, вопрос в следующем: сколько у вас датчиков и куда вы их ставите, чтобы получить максимальную отдачу?” Команда обратилась за ответом к глубокому обучению.
Исследователи разработали новую архитектуру нейронной сети, которая одновременно оптимизирует размещение датчиков и учится эффективно выполнять поставленные задачи. Сначала исследователи разделили тело робота на области, называемые “частицами». Скорость деформации каждой частицы предоставлялась как вход в нейронную сеть. В процессе проб и ошибок сеть “усваивает” наиболее эффективную последовательность движений для выполнения задач, таких как захват объектов разного размера. В то же время сеть отслеживает, какие частицы используются чаще всего, и отбрасывает менее используемые из набора входов для последующих испытаний сетей.
Оптимизируя наиболее важные частицы, сеть также предлагает, где датчики должны быть размещены на роботе, чтобы обеспечить эффективную работу. Например, в моделируемом роботе с хватательной рукой алгоритм может предполагать, что датчики должны быть сосредоточены в пальцах и вокруг них, где точно контролируемое взаимодействие с окружающей средой жизненно важно для способности робота манипулировать объектами. Хотя это может показаться очевидным, оказывается, алгоритм значительно превзошел человеческую интуицию в том, где разместить датчики.
Исследователи сравнили свой алгоритм с рядом прогнозов экспертов. Для трех различных макетов мягких роботов команда попросила робототехников вручную выбрать, где должны быть размещены датчики, чтобы обеспечить эффективное выполнение таких задач, как захват различных объектов. Затем они провели моделирование, сравнивая роботов с человеческими сенсорами и роботов с алгоритмическими сенсорами. И результаты не были близки. “Наша модель значительно превосходила людей в каждой задаче, хотя я смотрел на некоторые тела роботов и был абсолютно уверен в том, куда должны идти датчики, — говорит Амини. — Оказывается, в этой проблеме гораздо больше тонкостей, чем мы изначально предполагали”.
Спилберг уверен, что их работа могла бы помочь автоматизировать процесс проектирования роботов. Помимо разработки алгоритмов управления движениями робота, “нам также нужно подумать о том, как мы будем сенсоризировать этих роботов и как это будет взаимодействовать с другими компонентами этой системы”, — отмечает он. И лучшее размещение датчиков может иметь промышленное применение, особенно там, где роботы используются для тонких задач, таких как захват. “Здесь нужно очень сильное, хорошо оптимизированное чувство осязания, — добавляет исследователь. — Итак, есть потенциал для немедленного воздействия”.
“Автоматизация проектирования сенсорных мягких роботов — важный шаг на пути к быстрому созданию интеллектуальных инструментов, помогающих людям решать физические задачи, — говорит Рус. — Датчики являются важным аспектом процесса, поскольку они позволяют мягкому роботу “видеть” и понимать мир и строить взаимодействие с ним”.
Это исследование частично финансировалось Национальным научным фондом и Фондом Фанни и Джона Герца.
Источник: https://news.mit.edu/2021/sensor-soft-robots-placement-0322