Yra keletas užduočių, kurioms tradiciniai robotai – standieji ir metaliniai – tiesiog netinka. SU
MIT mokslininkaiŠiai problemai išspręsti institutas sukūrė specialų algoritmą. Tai padės inžinieriams sukurti programinės įrangos robotus, kurie renka daugiau naudingos informacijos apie aplinką. Gilaus mokymosi algoritmas siūlo optimizuoti jutiklių vietą roboto kūne. Tai savo ruožtu leidžia geriau sąveikauti su aplinka ir atlikti pavestas užduotis. „Sistema ne tik išmoksta konkrečią problemą, bet ir kaip geriausiai sukurti robotą, kuris išspręstų šią problemą“, – aiškina Aleksandras Amini iš MIT.
Tyrimas bus pristatytas balandžio mėnTarptautinė IEEE konferencija dėl minkštųjų robotų. Pagrindiniai autoriai yra Alexanderis Amini ir Andrew Spielbergas, MIT kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) magistrantai. Kiti bendraautoriai yra MIT absolventė Lilian Chin ir profesoriai Wojciechas Matusik ir Daniela Rus.
Minkšto kūno robotai yra lankstūs ir lengvai pritaikomiatrodyti labiau kaip atšokęs kamuolys nei boulingo kamuolys. Pagrindinė jų problema yra ta, kad jie yra be galo matmenys. Bet kuris minkšto kūno roboto taškas teoriškai gali deformuotis bet kokiu įmanomu būdu. Dėl to sunku sukurti minkštą robotą, kuris galėtų parodyti jo kūno dalių vietą. Ankstesni bandymai naudojo išorinę kamerą, kad nustatytų roboto padėtį ir grąžintų šią informaciją į roboto valdymo programą. Tačiau tyrėjai norėjo sukurti minkštą robotą, kuris nepriklausytų nuo pašalinės pagalbos.
„Jūs negalite sutalpinti be galo daugjutikliai ant paties roboto, - pabrėžia Spielbergas. "Taigi kyla klausimas, kiek jutiklių turite ir kur juos dedate, kad maksimaliai išnaudotumėte savo investicijas?"
Atsakymo komanda kreipėsi į gilų mokymąsi.
Tyrėjai sukūrė naują architektūrąneuroninis tinklas, optimizuojantis jutiklių vietą ir mokantis efektyviai atlikti užduotis. Pirma, mokslininkai padalijo roboto kūną į regionus - "kūno dalis". Kiekvienos dalelės deformacijos greitis buvo įvestas į neuroninį tinklą. Bandymų ir klaidų būdu tinklas išmoksta efektyviausią judesių seką, kad galėtų atlikti užduotis, pavyzdžiui, sugriebti įvairaus dydžio objektus. Tuo pačiu tinklas seka, kurios dalys naudojamos dažniausiai, ir iš įvesties duomenų rinkinio atrenka rečiau naudojamas tolesniam tinklo testavimui.
Optimizuodami svarbiausias roboto kūno dalis,tinklas taip pat siūlo, kur dėti jutiklius ant roboto, kad būtų užtikrintas efektyvus veikimas. Pavyzdžiui, imituojamame robote su griebiančia ranka algoritmas gali pasiūlyti, kad jutikliai būtų sutelkti pirštuose ir aplink juos, kur tiksliai valdoma sąveika su aplinka yra gyvybiškai svarbi roboto gebėjimui manipuliuoti daiktais. Nors tai gali pasirodyti akivaizdu, paaiškėjo, kad algoritmas gerokai pranoko žmogaus nuojautą, kur dėti jutiklius.
Tyrėjai palygino savo algoritmąsu daugybe ekspertų prognozių. Trijų skirtingų minkštųjų robotų konstrukcijų komanda paprašė robotikų rankiniu būdu pasirinkti, kur turėtų būti sumontuoti jutikliai, kad būtų galima efektyviai atlikti užduotis, pavyzdžiui, sugriebti įvairius objektus. Tada jie atliko modeliavimą, lygindami jutiklinio ekrano robotus su jutiklinio ekrano robotais. Ir rezultatai nebuvo artimi. „Mūsų modelis gerokai pranoko žmones atliekant kiekvieną užduotį. Nors buvau tikras, kad žinojau, kur dėti jutiklius… - užbaigia Amini. „Pasirodo, kad ši problema turi daug daugiau subtilybių, nei iš pradžių tikėjomės.
Skaityti daugiau
Fizikai sukūrė juodosios skylės analogą ir patvirtino Hawkingo teoriją. Kur jis veda?
Mokslininkai atrado mitinę Odderono dalelę
Paslaptingiausias gamtos reiškinys. Iš kur kamuolinis žaibas ir kaip jis pavojingas?