Postoje neki zadaci za koje tradicionalni roboti — kruti i metalni — jednostavno nisu prikladni. S
Istraživači MIT-aInstitut je razvio poseban algoritam za rješavanje ovog problema. Pomoći će inženjerima u razvoju softverskih robota koji prikupljaju više korisnih informacija o okolišu. Algoritam dubokog učenja predlaže optimizirano postavljanje senzora u tijelo robota. To mu zauzvrat omogućuje bolju interakciju s okolinom i izvršavanje dodijeljenih zadataka. "Sustav ne samo da uči određeni problem, već i kako najbolje dizajnirati robota da riješi taj problem", objašnjava Alexander Amini s MIT-a.
Istraživanje će biti predstavljeno u travnjuIEEE Međunarodna konferencija o mekoj robotici. Suvoditelji su Alexander Amini i Andrew Spielberg, studenti diplomskog studija na MIT-ovom Laboratoriju za računalnu znanost i umjetnu inteligenciju (CSAIL). Ostali koautori uključuju diplomiranu studenticu MIT-a Lilian Chin i profesore Wojciecha Matusika i Danielu Rus.
Roboti mekog tijela fleksibilni su i savitljivi - oniviše nalikuju na poskakivanu loptu nego na kuglanu. Njihov glavni problem je što su beskonačno dimenzionalni. Bilo koja točka robota s mekim tijelom može se teoretski deformirati na bilo koji mogući način. To otežava stvaranje mekog robota koji može prikazati položaj njegovih dijelova tijela. U prošlim pokušajima korištena je vanjska kamera za određivanje položaja robota i slanje tih informacija natrag u upravljački program robota. No, istraživači su htjeli stvoriti mekog robota koji ne ovisi o vanjskoj pomoći.
“Ne možete smjestiti beskonačan brojsenzori na samom robotu, - naglašava Spielberg. "Dakle, pitanje je koliko senzora imate i gdje ih postaviti kako biste izvukli maksimum iz svoje investicije?"
Tim se za odgovor okrenuo dubokom učenju.
Istraživači su razvili novu arhitekturuneuronska mreža koja optimizira smještaj senzora i uči učinkovito obavljati zadatke. Prvo su istraživači podijelili tijelo robota u regije — "dijelove tijela". Stopa deformacije svake čestice unesena je u neuronsku mrežu. Kroz pokušaje i pogreške, mreža uči najučinkovitiji slijed pokreta za obavljanje zadataka, kao što je hvatanje predmeta različitih veličina. Istodobno, mreža prati koji se dijelovi najčešće koriste i odabire manje korištene iz skupa ulaznih podataka za naknadno mrežno testiranje.
Optimiziranjem najvažnijih dijelova tijela robota,mreža također sugerira gdje postaviti senzore na robota kako bi se osigurao učinkovit rad. Na primjer, u simuliranom robotu s hvatajućom rukom, algoritam bi mogao predložiti da se senzori koncentriraju u prstima i oko njih, gdje su precizno kontrolirane interakcije s okolinom vitalne za sposobnost robota da manipulira objektima. Iako se to može činiti očitim, pokazalo se da je algoritam daleko nadmašio ljudsku intuiciju o tome gdje postaviti senzore.
Istraživači su usporedili svoj algoritams nizom stručnih prognoza. Za tri različita dizajna mekih robota, tim je zamolio robotičare da ručno odaberu gdje će senzori biti postavljeni kako bi se zadaci kao što je hvatanje različitih objekata mogli učinkovito izvršiti. Zatim su pokrenuli simulacije uspoređujući robote s zaslonom osjetljivim na dodir i robotima s zaslonom osjetljivim na dodir. A rezultati nisu bili blizu. “Naš je model znatno nadmašio ljude na svakom zadatku. Iako sam bio siguran da znam gdje postaviti senzore… - zaključuje Amini. "Ispostavilo se da ovaj problem ima mnogo više suptilnosti nego što smo prvobitno očekivali."
Čitaj više
Fizičari su stvorili analog crne rupe i potvrdili Hawkingovu teoriju. Kamo vodi?
Znanstvenici su otkrili mitsku česticu Odderon
Najtajanstveniji prirodni fenomen. Otkud loptasta munja i kako je opasna?