Има някои задачи, за които традиционните роботи - твърди и метални - просто не са подходящи. СЪС
Изследователи от MITИнститутът е разработил специален алгоритъм за решаване на този проблем. Той ще помогне на инженерите да разработят софтуерни роботи, които събират повече полезна информация за околната среда. Алгоритъмът за дълбоко обучение предполага оптимизирано разположение на сензорите в тялото на робота. Това от своя страна му позволява да взаимодейства по-добре с околната среда и да изпълнява възложените задачи. „Системата не само научава конкретен проблем, но и как най-добре да проектира робот, който да реши този проблем“, обяснява Александър Амини от MIT.
Изследването ще бъде представено през априлМеждународна конференция на IEEE за мека роботика. Съавтори са Александър Амини и Андрю Спилбърг, завършили студенти в Лабораторията за компютърни науки и изкуствен интелект (CSAIL) на MIT. Други съавтори включват студентката от MIT Lilian Chin и професорите Wojciech Matusik и Daniela Rus.
Роботите с меко тяло са гъвкави и пластични - теприличат повече на подскачаща топка, отколкото на топка за боулинг. Основният им проблем е, че те са безкрайно размерни. Всяка точка на робот с меко тяло може теоретично да се деформира по всякакъв възможен начин. Това затруднява създаването на мек робот, който може да показва местоположението на частите на тялото си. Предишни опити са използвали външна камера за определяне на позицията на робота и изпращане на тази информация обратно към програмата за управление на робота. Но изследователите искаха да създадат мек робот, който не зависи от външна помощ.
„Не можете да поберете безкраен бройсензори на самия робот, - подчертава Спилбърг. "Така че въпросът е, колко сензора имате и къде ги поставяте, за да получите най-голям удар за парите си?"
Екипът се обърна към задълбочено обучение за отговор.
Изследователите са разработили нова архитектураневронна мрежа, която оптимизира разположението на сензорите и се научава да изпълнява задачи ефективно. Първо, изследователите разделят тялото на робота на региони - "части на тялото". Скоростта на деформация на всяка частица беше въведена в невронната мрежа. Чрез проба и грешка мрежата научава най-ефективната последователност от движения за изпълнение на задачи, като хващане на предмети с различни размери. В същото време мрежата следи кои части се използват най-често и избира по-малко използвани от набора от входни данни за последващо мрежово тестване.
Чрез оптимизиране на най-важните части от тялото на робота,мрежата също така предлага къде да се поставят сензорите на робота, за да се осигури ефективна работа. Например, в симулиран робот със захващаща ръка, алгоритъм може да предложи сензорите да бъдат концентрирани в и около пръстите, където точно контролираните взаимодействия с околната среда са жизненоважни за способността на робота да манипулира обекти. Макар че това може да изглежда очевидно, се оказа, че алгоритъмът далеч надминава човешката интуиция за това къде да се поставят сензорите.
Изследователите сравняват своя алгоритъмс редица експертни прогнози. За три различни дизайна на меки роботи екипът помоли роботизаторите ръчно да изберат къде да бъдат поставени сензорите, за да се гарантира, че задачи като хващане на различни обекти могат да се изпълняват ефективно. След това те проведоха симулации, сравняващи роботи със сензорен екран с роботи със сензорен екран. И резултатите не бяха близки. „Нашият модел значително превъзхожда хората при всяка задача. Въпреки че бях сигурен, че знам къде да поставя сензорите… - завършва Амини. „Оказва се, че този проблем има много повече тънкости, отколкото очаквахме първоначално.“
Прочетете още
Физиците са създали аналог на черна дупка и са потвърдили теорията на Хокинг. Къде води?
Учените са открили митичната частица на Одерон
Най-мистериозният природен феномен. Откъде идва кълбовидната мълния и как е опасно?