従来のロボット (硬いロボットや金属製のロボット) ではまったく適さないタスクがいくつかあります。と
MITの研究者同研究所は、この問題を解決するための特別なアルゴリズムを開発しました。エンジニアが環境に関するより有益な情報を収集するソフトウェア ロボットを開発するのに役立ちます。深層学習アルゴリズムは、ロボットの体内のセンサーの最適な配置を提案します。これにより、環境とより適切に対話し、割り当てられたタスクを実行できるようになります。 「システムは特定の問題を学習するだけでなく、その問題を解決するために最適なロボットの設計方法も学習します」と MIT のアレクサンダー・アミニ氏は説明します。
この研究は4月の学会で発表される予定ですソフト ロボティクスに関する IEEE 国際会議。共同主執筆者は、MIT のコンピューター サイエンスおよび人工知能研究所 (CSAIL) の大学院生である Alexander Amini と Andrew Spielberg です。他の共著者には、MIT 大学院生のリリアン・チン、教授のヴォイチェフ・マトゥシク氏とダニエラ・ルス氏が含まれます。
ソフトボディのロボットは柔軟性があり、順応性があります。ボウリングボールというよりは、弾むボールのように見えます。彼らの主な問題は、彼らが無限に次元を持っているということです。柔らかいボディを持つロボットのどのポイントも、理論的には可能な限り変形する可能性があります。そのため、体の部位の位置を表示できるソフトロボットを作ることは困難です。過去の試みでは、外部カメラを使用してロボットの位置を特定し、この情報をロボットの制御プログラムに送り返してきました。しかし、研究者たちは外部の助けに依存しないソフトロボットを作りたかったのです。
「無限の数に対応することはできませんロボット自体のセンサー、-スピルバーグを強調します。 「問題は、センサーがいくつあり、投資を最大限に活用するためにセンサーをどこに配置するかということです。」
チームはその答えを得るためにディープラーニングに目を向けました。
研究者が新しいアーキテクチャを開発しましたセンサーの配置を最適化し、タスクを効率的に実行する方法を学習するニューラル ネットワーク。まず、研究者らはロボットの体を領域、つまり「体の部分」に分割した。各粒子の変形率がニューラル ネットワークに入力されました。試行錯誤を通じて、ネットワークは、さまざまなサイズの物体をつかむなどのタスクを実行するための最も効率的な一連の動作を学習します。同時に、ネットワークはどの部品が最も頻繁に使用されているかを追跡し、その後のネットワーク テストのために入力データ セットからあまり使用されていない部品を選択します。
ロボットの体の最も重要な部分を最適化することにより、ネットワークは、効率的な操作を保証するために、ロボットのどこにセンサーを配置するかも提案します。たとえば、把持アームを備えたシミュレートされたロボットでは、アルゴリズムは、センサーが指の中や周囲に集中していることを示唆する場合があります。この場合、環境との正確に制御された相互作用は、ロボットがオブジェクトを操作する能力に不可欠です。これは明白に思えるかもしれませんが、アルゴリズムはセンサーを配置する場所についての人間の直感をはるかに超えていることが判明しました。
研究者たちはアルゴリズムを比較しました多くの専門家の予測とともに。 3 つの異なるソフト ロボットの設計について、研究チームはロボット工学者に、さまざまな物体をつかむなどの作業を効率的に実行できるように、センサーを配置する場所を手動で選択するよう依頼しました。次に、タッチスクリーン ロボットとタッチスクリーン ロボットを比較するシミュレーションを実行しました。そして、結果はあまり良くありませんでした。 「私たちのモデルは、あらゆるタスクにおいて人間を大幅に上回りました。センサーをどこに設置するかはわかっていたはずですが、 - アミニは結論付けます。 「この問題には、私たちが当初予想していたよりもはるかに微妙な点があることが判明しました。」
続きを読む
物理学者はブラックホールの類似物を作成し、ホーキングの理論を確認しました。それはどこにつながるのですか？
科学者たちはオデロンの神話上の粒子を発見しました
最も神秘的な自然現象。球電はどこから来て、どのように危険ですか？