On joitakin tehtäviä, joihin perinteiset robotit – jäykät ja metalliset – eivät yksinkertaisesti sovellu.Kanssa
Massachusetts Institute of Technologyn tutkijat ovat kehittäneet erityisen algoritmin tämän ongelman ratkaisemiseksi.Se auttaa insinöörejä kehittämään ohjelmistorobotteja, jotka keräävät hyödyllisempää tietoa ympäristöstä.Syväoppimisalgoritmi tarjoaa anturien optimoidun sijoittamisen robotin kehoon.Tämä puolestaan antaa sille mahdollisuuden olla paremmin vuorovaikutuksessa ympäristön kanssa ja suorittaa tehtävänsä."Järjestelmä ei vain opi tiettyä tehtävää, vaan myös sen, miten robotti voidaan parhaiten suunnitella hoitamaan kyseinen tehtävä", hän selittääAlexandre Amini MIT: stä .
Tutkimus esitellään huhtikuussaIEEE International Conference on Soft Robotics. Yhteisjohtajina ovat Alexander Amini ja Andrew Spielberg, MIT:n tietojenkäsittelytieteen ja tekoälyn laboratorion (CSAIL) jatko-opiskelijat. Muita kirjoittajia ovat MIT:n jatko-opiskelija Lilian Chin sekä professorit Wojciech Matusik ja Daniela Rus.
Pehmeät rungot ovat joustavia ja muokattavia robottejanäyttävät enemmän pomppivalta pallolta kuin keilapallolta. Heidän pääongelmansa on, että ne ovat äärettömän ulottuvuuksia. Mikä tahansa robotti, jolla on pehmeä runko, voi teoreettisesti muuttua kaikin mahdollisin tavoin. Tämä vaikeuttaa sellaisen pehmeän robotin luomista, joka voi näyttää ruumiinosiensa sijainnin. Aikaisemmissa yrityksissä on käytetty ulkoista kameraa robotin sijainnin määrittämiseen ja syötetty nämä tiedot takaisin robotin ohjausohjelmaan. Mutta tutkijat halusivat luoda pehmeän robotin, joka ei riipu ulkopuolisesta avusta.
”Et voi majoittaa loputtomia määriäanturit itse robotissa, - korostaa Spielberg. "Joten kysymys on, kuinka monta anturia sinulla on ja minne sijoitat ne saadaksesi parhaan hyödyn sijoituksestasi?"
Ryhmä kääntyi syvään oppimiseen saadakseen vastauksen.
Tutkijat ovat kehittäneet uuden arkkitehtuurinhermoverkko, joka optimoi sensorien sijoittelun ja oppii suorittamaan tehtäviä tehokkaasti. Ensinnäkin tutkijat jakoivat robotin kehon alueisiin - "ruumiin osiin". Kunkin hiukkasen muodonmuutosnopeus syötettiin hermoverkkoon. Yrityksen ja erehdyksen kautta verkko oppii tehokkaimman liikesarjan tehtävien suorittamiseen, kuten erikokoisiin esineisiin tarttumiseen. Samalla verkko seuraa, mitä osia käytetään eniten ja valitsee syöttötietojoukosta vähemmän käytetyt myöhempää verkkotestausta varten.
Optimoimalla robotin tärkeimmät osatverkko ehdottaa myös, minne anturit robotille sijoitetaan, jotta toiminta olisi tehokasta. Esimerkiksi simuloidussa robotissa, jolla on tarttuva käsivarsi, algoritmi saattaa ehdottaa, että anturit keskittyvät sormiin ja niiden ympärille, missä tarkasti kontrolloidut vuorovaikutukset ympäristön kanssa ovat elintärkeitä robotin kyvylle käsitellä esineitä. Vaikka tämä saattaa tuntua itsestään selvältä, kävi ilmi, että algoritmi ylitti huomattavasti ihmisen intuition antureiden sijoittamisesta.
Tutkijat vertasivat algoritmiaanuseiden asiantuntijaennusteiden kanssa. Kolmessa eri pehmeässä robottimallissa tiimi pyysi robotiikkoja valitsemaan manuaalisesti, minne anturit tulisi sijoittaa, jotta tehtäviä, kuten erilaisten esineiden tarttuminen, voitaisiin suorittaa tehokkaasti. Sitten he suorittivat simulaatioita, joissa verrattiin kosketusnäyttörobotteja kosketusnäyttöroboteihin. Ja tulokset eivät olleet lähelläkään. ”Mallimme suoriutui merkittävästi ihmisistä jokaisessa tehtävässä. Vaikka olin varma, että tiesin, mihin anturit sijoitetaan… - päättää Amini. "Käsi ilmi, että tässä ongelmassa on paljon enemmän hienouksia kuin alun perin odotimme."
Lue lisää
Fyysikot ovat luoneet analogin mustasta aukosta ja vahvistaneet Hawkingin teorian. Minne se johtaa?
Tutkijat ovat löytäneet Odderonin myyttisen hiukkasen
Salaperäisin luonnonilmiö. Mistä pallon salama tulee ja miten se on vaarallista?