Новый алгоритм позволяет мягким робосам самоощущаться для надежного выполнения задач

Существуют задачи, которые традиционные роботы — жесткие и металлические — не могут выполнять. Мягкие роботы могут безопаснее взаимодействовать с людьми или проникать в тесные пространства. Но для надежного выполнения программных обязанностей роботам нужно знать местоположение всех своих частей тела. Это сложная задача для мягкого робота, который может деформироваться бесконечным числом способов.

Исследователи разработали алгоритм, помогающий инженерам проектировать мягких роботов, собирающих более полезную информацию об окружении. Алгоритм глубокого обучения предлагает оптимальное размещение сенсоров внутри тела робота, позволяя ему лучше взаимодействовать со средой и выполнять поставленные задачи. Этот прогресс — шаг к автоматизации проектирования роботов. Система не только обучает заданную задачу, но и то, как лучше спроектировать робота для её решения.

Создание мягких роботов, выполняющих реальные задачи, было вызовом в робототехнике. Жесткие роботы имеют встроенное преимущество: ограниченный диапазон движения. Конечный набор суставов и конечностей жестких роботов обычно делает управляемые вычисления алгоритмами картографирования и планирования движения. Мягкие роботы не так трактуемы.

Мягкотелые роботы гибки и податливы — они в целом ощущаются больше как подпрыгивающий мяч, чем как боулингный шар. Любая точка мягкого робота теоретически может деформироваться любым возможным образом. Это затрудняет проектирование мягкого робота, способного картографировать местоположение своих частей тела. Предыдущие попытки использовали внешнюю камеру для отслеживания позиции робота и обратной связи в программу управления. Но исследователи хотели создать мягкого робота, не привязанного к внешней помощи.

Они разработали новую архитектуру нейронной сети, которая одновременно оптимизирует размещение сенсоров и обучается эффективно выполнять задачи. Сначала они разделили тело робота на области, называемые «частицами». Скорость деформации каждой частицы подавалась на вход нейронной сети. Через процесс проб и ошибок сеть «обучает» самую эффективную последовательность движений для выполнения задач, таких как захват объектов разного размера. Одновременно сеть отслеживает, какие частицы используются чаще всего, и отсекает менее используемые частицы из набора входов для последующих испытаний сети.

Оптимизируя наиболее важные частицы, сеть также предлагает, где разместить сенсоры на роботе для обеспечения эффективной работы. В симулированном роботе с захватывающей рукой алгоритм мог предложить концентрировать сенсоры в области пальцев, где точно контролируемые взаимодействия со средой жизненно важны для способности робота манипулировать объектами. Хотя это может показаться очевидным, алгоритм значительно превзошел человеческую интуицию в выборе размещения сенсоров.

Работа может помочь автоматизировать процесс проектирования роботов. Помимо разработки алгоритмов управления движениями робота, дизайнерам нужно думать о том, как размещать сенсоры на роботах и как это будет взаимодействовать с другими компонентами системы. Лучшее размещение сенсоров может иметь промышленные применения, особенно там, где роботы используются для тонких задач, таких как захват.