Existují některé úkoly, pro které se tradiční roboti – pevní a kovoví – prostě nehodí. S
výzkumníci z MITInstitut vyvinul speciální algoritmus pro řešení tohoto problému. Pomůže inženýrům vyvinout softwarové roboty, které shromažďují užitečnější informace o životním prostředí. Algoritmus hlubokého učení navrhuje optimalizované umístění senzorů v těle robota. To mu zase umožňuje lepší interakci s okolím a plnění zadaných úkolů. „Systém se nejen naučí konkrétní problém, ale také to, jak nejlépe navrhnout robota, aby tento problém vyřešil,“ vysvětluje Alexander Amini z MIT.
Výzkum bude prezentován v dubnuMezinárodní konference IEEE o měkké robotice. Společními autory jsou Alexander Amini a Andrew Spielberg, postgraduální studenti MIT Computer Science and Artificial Intelligence Laboratory (CSAIL). Mezi další spoluautory patří absolventka MIT Lilian Chin a profesoři Wojciech Matušik a Daniela Rus.
Roboti s měkkým tělem jsou flexibilní a tvární - tovypadat spíš jako skákací míč než jako bowlingová koule. Jejich hlavním problémem je, že jsou nekonečně rozměrní. Jakýkoli bod robota s měkkým tělem se může teoreticky jakýmkoli způsobem deformovat. To ztěžuje vytvoření měkkého robota, který dokáže zobrazit polohu jeho částí těla. Předchozí pokusy použily externí kameru k určení polohy robota a k odeslání těchto informací zpět do řídicího programu robota. Vědci však chtěli vytvořit měkkého robota, který by nezávisel na vnější pomoci.
"Nemůžeš pojmout nekonečné množství."senzory na samotném robotu, - zdůrazňuje Spielberg. „Otázkou tedy je, kolik senzorů máte a kam je umístíte, abyste ze své investice vytěžili maximum?“
Tým se pro odpověď obrátil k hlubokému učení.
Vědci vyvinuli novou architekturuneuronová síť, která optimalizuje umístění senzorů a učí se efektivně provádět úkoly. Nejprve vědci rozdělili tělo robota na oblasti – „části těla“. Rychlost deformace každé částice byla zadána do neuronové sítě. Prostřednictvím pokusů a omylů se síť učí nejúčinnější sekvenci pohybů pro provádění úkolů, jako je uchopování předmětů různých velikostí. Síť si zároveň hlídá, které části se používají nejčastěji, a ze sady vstupních dat vybírá ty méně používané pro následné testování sítě.
Optimalizací nejdůležitějších částí těla robotasíť také navrhuje, kam umístit senzory na robota, aby byl zajištěn efektivní provoz. Například u simulovaného robota s uchopovacím ramenem může algoritmus navrhnout, aby se senzory soustředily kolem prstů a kolem nich, kde jsou pro schopnost robota manipulovat s objekty životně důležité přesně řízené interakce s prostředím. I když se to může zdát zřejmé, ukázalo se, že algoritmus daleko předčil lidskou intuici o tom, kam umístit senzory.
Vědci porovnávali svůj algoritmuss řadou odborných prognóz. U tří různých návrhů měkkých robotů tým požádal robotiky, aby ručně vybrali, kde by měly být senzory umístěny, aby bylo zajištěno, že úkoly, jako je uchopení různých předmětů, bude možné provádět efektivně. Poté spustili simulace porovnávající roboty s dotykovou obrazovkou a roboty s dotykovou obrazovkou. A výsledky nebyly těsné. „Náš model výrazně překonal lidi ve všech úkolech. I když jsem si byl jistý, že vím, kam umístit senzory… - uzavírá Amini. "Ukazuje se, že tento problém má mnohem více jemností, než jsme původně očekávali."
Přečtěte si více
Fyzici vytvořili analogii černé díry a potvrdili Hawkingovu teorii. Kam to vede?
Vědci objevili mýtickou částici Odderonu
Nejzáhadnější přírodní úkaz. Odkud pochází blesk a jak je nebezpečný?