Vannak olyan feladatok, amelyekre a hagyományos robotok – merevek és fémek – egyszerűen nem alkalmasak.Val
A Massachusetts Institute of Technology kutatói speciális algoritmust fejlesztettek ki a probléma megoldására.Segíteni fog a mérnököknek olyan szoftverrobotok kifejlesztésében, amelyek hasznosabb információkat gyűjtenek a környezetről.A mélytanulási algoritmus az érzékelők optimalizált elhelyezését kínálja a robot testében.Ez viszont lehetővé teszi, hogy jobban kölcsönhatásba lépjen a környezettel és elvégezze feladatait."A rendszer nemcsak egy adott feladatot tanul meg, hanem azt is, hogyan lehet a legjobban megtervezni egy robotot a feladat kezelésére" – magyarázzaAlexandre Amini az MIT-től .
A kutatást áprilisban mutatják beIEEE Nemzetközi Lágy Robotics Konferencia. A társszerzők Alexander Amini és Andrew Spielberg, az MIT Számítástechnikai és Mesterséges Intelligencia Laboratóriumának (CSAIL) végzős hallgatói. A további társszerzők közé tartozik Lilian Chin, az MIT végzős hallgatója, valamint Wojciech Matusik és Daniela Rus professzorok.
A puha testű robotok rugalmasak és alakíthatók - őkjobban néz ki mint egy pattogó labda, mint egy bowling labda. Fő problémájuk, hogy végtelen dimenziók. A puha testű robot bármely pontja elméletileg bármilyen módon deformálódhat. Ez megnehezíti olyan puha robot létrehozását, amely képes megjeleníteni testrészeinek helyét. A korábbi kísérletek egy külső kamerával határozták meg a robot helyzetét, és ezt az információt visszaküldték a robot vezérlőprogramjának. De a kutatók egy puha robotot akartak létrehozni, amely nem függ külső segítségtől.
- Nem lehet befogadni végtelen számú embertérzékelők magára a robotra - hangsúlyozza Spielberg. "Tehát a kérdés az, hogy hány érzékelője van, és hová helyezi őket, hogy a lehető legnagyobb durranást érje el?"
A csapat a mély tanuláshoz fordult a válaszért.
A kutatók új architektúrát fejlesztettek kineurális hálózat, amely optimalizálja az érzékelők elhelyezését és megtanulja a feladatokat hatékonyan végrehajtani. Először a kutatók a robot testét régiókra - "testrészekre" osztották fel. Az egyes részecskék deformációs sebességét bevittük a neurális hálózatba. Próba és hiba útján a hálózat megtanulja a leghatékonyabb mozdulatsort a feladatok végrehajtásához, például a különböző méretű tárgyak megfogásához. Ugyanakkor a hálózat nyomon követi a leggyakrabban használt alkatrészeket, és kiválasztja a kevésbé használtakat a bemeneti adatkészletből a későbbi hálózati teszteléshez.
A robot testének legfontosabb részeinek optimalizálásávala hálózat azt is javasolja, hogy hova helyezze az érzékelőket a robotra a hatékony működés érdekében. Például egy megfogó karú szimulált robotban egy algoritmus azt sugallhatja, hogy az érzékelők az ujjakba és azok köré koncentrálódjanak, ahol a környezettel pontosan ellenőrzött interakciók létfontosságúak ahhoz, hogy a robot képes legyen tárgyak manipulálására. Bár ez nyilvánvalónak tűnhet, kiderült, hogy az algoritmus messze felülmúlta az emberi megérzéseket arról, hogy hova kell tenni az érzékelőket.
A kutatók összehasonlították algoritmusukatszámos szakértői előrejelzéssel. Három különböző puha robot kialakításánál a csapat arra kérte a robotikusokat, hogy manuálisan válasszák ki, hol kell elhelyezni az érzékelőket, hogy biztosítsák az olyan feladatok hatékony végrehajtását, mint a különféle tárgyak megfogása. Ezután szimulációkat futtattak, amelyekben az érintőképernyős robotokat az érintőképernyős robotokkal hasonlították össze. És az eredmények nem voltak közel. „Modellünk minden feladatban jelentősen felülmúlta az embereket. Bár biztos voltam benne, hogy tudom, hol kell elhelyezni az érzékelőket… - fejezi be Amini. „Kiderült, hogy sokkal több finomsága van ennek a problémának, mint azt eredetileg vártuk.”
Olvass tovább
A fizikusok létrehozták a fekete lyuk analógját, és megerősítették Hawking elméletét. Hova vezet?
A tudósok felfedezték Odderon mitikus részecskéjét
A legtitokzatosabb természeti jelenség. Honnan származik a gömbvillám és hogyan veszélyes?