Υπάρχουν ορισμένες εργασίες για τις οποίες τα παραδοσιακά ρομπότ - άκαμπτα και μεταλλικά - απλά δεν είναι κατάλληλα. ΜΕ
ερευνητές του MITΤο ινστιτούτο έχει αναπτύξει έναν ειδικό αλγόριθμο για την επίλυση αυτού του προβλήματος. Θα βοηθήσει τους μηχανικούς να αναπτύξουν ρομπότ λογισμικού που συλλέγουν πιο χρήσιμες πληροφορίες για το περιβάλλον. Ο αλγόριθμος βαθιάς μάθησης προτείνει βελτιστοποιημένη τοποθέτηση αισθητήρων στο σώμα του ρομπότ. Αυτό, με τη σειρά του, του επιτρέπει να αλληλεπιδρά καλύτερα με το περιβάλλον και να εκτελεί εργασίες που του έχουν ανατεθεί. «Το σύστημα όχι μόνο μαθαίνει ένα συγκεκριμένο πρόβλημα, αλλά και πώς να σχεδιάσει καλύτερα ένα ρομπότ για να λύσει αυτό το πρόβλημα», εξηγεί ο Alexander Amini του MIT.
Η έρευνα θα παρουσιαστεί τον ΑπρίλιοIEEE International Conference on Soft Robotics. Συνοδηγοί συγγραφείς είναι οι Alexander Amini και Andrew Spielberg, μεταπτυχιακοί φοιτητές στο Computer Science and Artificial Intelligence Laboratory (CSAIL) του MIT. Άλλοι συν-συγγραφείς περιλαμβάνουν τη μεταπτυχιακή φοιτήτρια του MIT Lilian Chin και τους καθηγητές Wojciech Matusik και Daniela Rus.
Τα ρομπότ με μαλακό σώμα είναι εύκαμπτα και ελαστικά - αυτάμοιάζουν περισσότερο με μια μπάλα αναπήδησης από μια μπάλα μπόουλινγκ. Το κύριο πρόβλημα τους είναι ότι είναι απεριόριστα διαστάσεων. Οποιοδήποτε σημείο ρομπότ με μαλακό σώμα μπορεί θεωρητικά να παραμορφωθεί με οποιονδήποτε δυνατό τρόπο. Αυτό καθιστά δύσκολη τη δημιουργία ενός μαλακού ρομπότ που μπορεί να εμφανίσει τη θέση των μερών του σώματός του. Παλαιότερες προσπάθειες έχουν χρησιμοποιήσει μια εξωτερική κάμερα για να προσδιορίσουν τη θέση του ρομπότ και να στείλουν αυτές τις πληροφορίες πίσω στο πρόγραμμα ελέγχου του ρομπότ. Αλλά οι ερευνητές ήθελαν να δημιουργήσουν ένα μαλακό ρομπότ που δεν εξαρτάται από εξωτερική βοήθεια.
"Δεν μπορείτε να φιλοξενήσετε έναν άπειρο αριθμόαισθητήρες στο ίδιο το ρομπότ, - τονίζει ο Spielberg. "Λοιπόν, το ερώτημα είναι, πόσους αισθητήρες έχετε και πού τους τοποθετείτε για να πάρετε το μεγαλύτερο χτύπημα για τα χρήματα σας;"
Η ομάδα στράφηκε στη βαθιά μάθηση για την απάντηση.
Οι ερευνητές ανέπτυξαν μια νέα αρχιτεκτονικήένα νευρωνικό δίκτυο που βελτιστοποιεί την τοποθέτηση των αισθητήρων και μαθαίνει να εκτελεί εργασίες αποτελεσματικά. Αρχικά, οι ερευνητές χώρισαν το σώμα του ρομπότ σε περιοχές - "μέρη του σώματος". Ο ρυθμός παραμόρφωσης κάθε σωματιδίου εισήχθη στο νευρωνικό δίκτυο. Μέσω δοκιμής και λάθους, το δίκτυο μαθαίνει την πιο αποτελεσματική ακολουθία κινήσεων για την εκτέλεση εργασιών, όπως η σύλληψη αντικειμένων διαφορετικών μεγεθών. Ταυτόχρονα, το δίκτυο παρακολουθεί ποια εξαρτήματα χρησιμοποιούνται πιο συχνά και επιλέγει αυτά που χρησιμοποιούνται λιγότερο από το σύνολο δεδομένων εισόδου για μετέπειτα δοκιμή δικτύου.
Βελτιστοποιώντας τα πιο σημαντικά μέρη του σώματος του ρομπότ,Το δίκτυο προτείνει επίσης πού να τοποθετήσετε τους αισθητήρες στο ρομπότ για να διασφαλίσετε την αποτελεσματική λειτουργία. Για παράδειγμα, σε ένα προσομοιωμένο ρομπότ με βραχίονα σύλληψης, ένας αλγόριθμος μπορεί να υποδηλώνει ότι οι αισθητήρες συγκεντρώνονται μέσα και γύρω από τα δάχτυλα, όπου οι επακριβώς ελεγχόμενες αλληλεπιδράσεις με το περιβάλλον είναι ζωτικής σημασίας για την ικανότητα του ρομπότ να χειρίζεται αντικείμενα. Παρόλο που αυτό φαίνεται προφανές, αποδείχθηκε ότι ο αλγόριθμος ξεπέρασε κατά πολύ την ανθρώπινη διαίσθηση για το πού να τοποθετήσουν τους αισθητήρες.
Οι ερευνητές συνέκριναν τον αλγόριθμό τουςμε μια σειρά από προβλέψεις ειδικών. Για τρία διαφορετικά σχέδια μαλακών ρομπότ, η ομάδα ζήτησε από τους ρομποτικούς να επιλέξουν χειροκίνητα πού θα τοποθετηθούν οι αισθητήρες για να διασφαλίσουν ότι εργασίες όπως η σύλληψη διαφόρων αντικειμένων θα μπορούσαν να εκτελεστούν αποτελεσματικά. Στη συνέχεια έτρεξαν προσομοιώσεις συγκρίνοντας ρομπότ με οθόνη αφής με ρομπότ με οθόνη αφής. Και τα αποτελέσματα δεν ήταν κοντά. «Το μοντέλο μας ξεπέρασε σημαντικά τους ανθρώπους σε κάθε εργασία. Αν και ήμουν σίγουρος ότι ήξερα πού να τοποθετήσω τους αισθητήρες… - καταλήγει η Amini. "Αποδεικνύεται ότι υπάρχουν πολύ περισσότερες λεπτές αποχρώσεις σε αυτό το πρόβλημα από ό, τι περιμέναμε αρχικά."
Διαβάστε περισσότερα
Οι φυσικοί έχουν δημιουργήσει ένα ανάλογο μιας μαύρης τρύπας και επιβεβαίωσαν τη θεωρία του Hawking. Πού οδηγεί;
Οι επιστήμονες ανακάλυψαν το μυθικό σωματίδιο του Odderon
Το πιο μυστηριώδες φυσικό φαινόμενο. Από πού προέρχεται η αστραπή και πώς είναι επικίνδυνο