Der neuronale Netzwerkalgorithmus optimiert die Sensorplatzierung in weichen Robotern

Es gibt einige Aufgaben, für die herkömmliche Roboter – starre Roboter und Metallroboter – einfach nicht geeignet sind. MIT

Andererseits Roboter mit weichem Körperkönnen sicherer mit Menschen interagieren oder enge Räume problemlos betreten. Doch damit Roboter ihre programmierten Aufgaben zuverlässig erfüllen können, müssen sie die Position aller Körperteile kennen. Für einen Menschen ist dies eine einfache Aufgabe, für einen Soft-Roboter jedoch schwierig, der sich auf nahezu unendlich viele Arten verformen kann.

MIT-ForscherUm dieses Problem zu lösen, hat das Institut einen speziellen Algorithmus entwickelt. Es wird Ingenieuren dabei helfen, Softwareroboter zu entwickeln, die nützlichere Informationen über die Umgebung sammeln. Der Deep-Learning-Algorithmus schlägt eine optimierte Platzierung der Sensoren im Körper des Roboters vor. Dies wiederum ermöglicht eine bessere Interaktion mit der Umgebung und die Ausführung zugewiesener Aufgaben. „Das System lernt nicht nur ein bestimmtes Problem, sondern auch, wie man einen Roboter am besten entwirft, um dieses Problem zu lösen“, erklärt Alexander Amini vom MIT.

Die Forschung wird im April vorgestelltIEEE International Conference on Soft Robotics. Co-Hauptautoren sind Alexander Amini und Andrew Spielberg, Doktoranden am Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT. Weitere Co-Autoren sind die MIT-Doktorandin Lilian Chin und die Professoren Wojciech Matusik und Daniela Rus.

Weiche Roboter sind flexibel und formbar - siesehen eher aus wie eine Hüpfkugel als wie eine Bowlingkugel. Ihr Hauptproblem ist, dass sie unendlich dimensioniert sind. Jeder Punkt eines Roboters mit einem weichen Körper kann sich theoretisch auf jede mögliche Weise verformen. Dies macht es schwierig, einen weichen Roboter zu erstellen, der die Position seiner Körperteile anzeigen kann. Frühere Versuche haben eine externe Kamera verwendet, um die Position des Roboters zu bestimmen und diese Informationen an das Steuerprogramm des Roboters zurückzugeben. Die Forscher wollten jedoch einen weichen Roboter entwickeln, der nicht auf Hilfe von außen angewiesen ist.

„Man kann nicht unendlich viele aufnehmenSensoren am Roboter selbst, - betont Spielberg. "Die Frage ist also, wie viele Sensoren haben Sie und wo platzieren Sie sie, um das Beste aus Ihrer Investition herauszuholen?"

Um die Antwort zu finden, wandte sich das Team an Deep Learning.

Forscher haben eine neue Architektur entwickeltein neuronales Netzwerk, das die Sensorplatzierung optimiert und lernt, Aufgaben effizient auszuführen. Zunächst unterteilten die Forscher den Körper des Roboters in Regionen – „Körperteile“. Die Verformungsrate jedes Partikels wurde in das neuronale Netzwerk eingegeben. Durch Versuch und Irrtum lernt das Netzwerk den effizientesten Bewegungsablauf zur Ausführung von Aufgaben, beispielsweise zum Greifen von Objekten unterschiedlicher Größe. Gleichzeitig verfolgt das Netzwerk, welche Teile am häufigsten verwendet werden, und wählt aus dem Eingabedatensatz weniger verwendete Teile für nachfolgende Netzwerktests aus.

Durch die Optimierung der wichtigsten Körperteile des RobotersDas Netzwerk schlägt außerdem vor, wo die Sensoren am Roboter platziert werden müssen, um einen effizienten Betrieb zu gewährleisten. Beispielsweise könnte in einem simulierten Roboter mit einem Greifarm ein Algorithmus vorschlagen, dass Sensoren in und um die Finger konzentriert werden, wo genau gesteuerte Interaktionen mit der Umgebung für die Fähigkeit des Roboters, Objekte zu manipulieren, von entscheidender Bedeutung sind. Obwohl dies offensichtlich erscheinen mag, stellte sich heraus, dass der Algorithmus die menschliche Intuition darüber, wo die Sensoren platziert werden sollten, weit übertraf.

Die Forscher verglichen ihren Algorithmusmit einer Reihe von Expertenprognosen. Für drei verschiedene Soft-Roboter-Designs bat das Team Robotiker, manuell auszuwählen, wo Sensoren platziert werden sollten, um sicherzustellen, dass Aufgaben wie das Greifen verschiedener Objekte effizient ausgeführt werden können. Anschließend führten sie Simulationen durch, in denen Touchscreen-Roboter mit Touchscreen-Robotern verglichen wurden. Und die Ergebnisse waren nicht annähernd. „Unser Modell übertraf den Menschen bei jeder Aufgabe deutlich. Obwohl ich sicher war, dass ich wusste, wo ich die Sensoren platzieren sollte… - schließt Amini. „Es stellt sich heraus, dass dieses Problem viel subtiler ist, als wir ursprünglich erwartet hatten.“

weiter lesen

Physiker haben ein Analogon eines Schwarzen Lochs erstellt und Hawkings Theorie bestätigt. Wohin führt es?

Wissenschaftler haben das mythische Teilchen von Odderon entdeckt

Das mysteriöseste Naturphänomen. Woher kommt der Kugelblitz und wie gefährlich ist er?