Алгоритм проектирует мягких роботов, которые чувствуют

Есть некоторые задачи, которые традиционные роботы — жесткие и металлические — не могут выполнять. Роботы с мягким телом могут более безопасно взаимодействовать с людьми или с легкостью проскальзывать в труднодоступные места. Но чтобы роботы надежно выполняли свои запрограммированные обязанности, им необходимо знать местонахождение всех частей своего тела. Это сложная задача для мягкого робота, который может деформироваться бесконечным количеством способов.

Исследователи разработали алгоритм, который поможет инженерам создавать мягких роботов, собирающих больше полезной информации об окружающей среде. Алгоритм глубокого обучения предлагает оптимальное размещение датчиков внутри тела робота, что позволяет ему лучше взаимодействовать с окружающей средой и выполнять поставленные задачи. Прогресс — это шаг к автоматизации проектирования роботов. Система изучает не только заданную задачу, но и то, как лучше всего спроектировать робота для решения этой задачи.

Создание мягких роботов, которые выполняют реальные задачи, было сложной задачей в робототехнике. Жесткие роботы имеют встроенное преимущество:ограниченный диапазон движения. Конечный набор суставов и конечностей жестких роботов обычно позволяет выполнять управляемые вычисления с помощью алгоритмов, управляющих картографированием и планированием движения. Мягкие роботы не такие послушные.

Роботы с мягким телом гибкие и податливые — они больше похожи на прыгучий мяч, чем на шар для боулинга. Теоретически любая точка мягкотелого робота может деформироваться любым возможным способом. Это затрудняет разработку мягкого робота, который может отображать расположение частей своего тела. В предыдущих попытках использовалась внешняя камера для определения положения робота и передачи этой информации обратно в программу управления роботом. Но исследователи хотели создать мягкого робота, не привязанного к внешней помощи.

Они разработали новую архитектуру нейронной сети, которая оптимизирует размещение датчиков и учится эффективно выполнять задачи. Во-первых, они разделили тело робота на области, называемые «частицами». Скорость деформации каждой частицы была предоставлена ​​​​в качестве входных данных для нейронной сети. Путем проб и ошибок сеть «узнает» наиболее эффективную последовательность движений для выполнения задач, например захват объектов разных размеров. В то же время сеть отслеживает, какие частицы используются чаще всего, и отбирает менее используемые частицы из набора входных данных для последующих испытаний сети.

Оптимизируя наиболее важные частицы, сеть также предлагает, где датчики должны быть размещены на роботе, чтобы обеспечить эффективную работу. В смоделированном роботе с хватающей рукой алгоритм может предложить, чтобы датчики были сосредоточены внутри и вокруг пальцев, где точно контролируемое взаимодействие с окружающей средой жизненно важно для способности робота манипулировать объектами. Хотя это может показаться очевидным, оказалось, что алгоритм значительно превзошел человеческую интуицию в отношении того, где разместить датчики.

Работа может помочь автоматизировать процесс проектирования роботов. Помимо разработки алгоритмов управления движениями робота, дизайнеры должны подумать о том, как разместить датчики на роботах и ​​как они будут взаимодействовать с другими компонентами этой системы. Лучшее размещение датчика может иметь промышленное применение, особенно там, где роботы используются для выполнения тонких задач, таких как захват.