Są zadania, do których tradycyjne roboty – sztywne i metalowe – po prostu się nie nadają. Z
Naukowcy z MITInstytut opracował specjalny algorytm pozwalający rozwiązać ten problem. Pomoże inżynierom w opracowaniu robotów programowych, które zbierają bardziej przydatne informacje o środowisku. Algorytm głębokiego uczenia sugeruje zoptymalizowane rozmieszczenie czujników w korpusie robota. To z kolei pozwala mu lepiej współdziałać z otoczeniem i realizować przydzielone mu zadania. „System nie tylko uczy się konkretnego problemu, ale także uczy się, jak najlepiej zaprojektować robota, który ten problem rozwiąże” – wyjaśnia Alexander Amini z MIT.
Wyniki badań zostaną zaprezentowane w kwietniuMiędzynarodowa konferencja IEEE na temat miękkiej robotyki. Współprowadzącymi autorami są Alexander Amini i Andrew Spielberg, absolwenci Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL) MIT. Inni współautorzy to absolwentka MIT Lilian Chin oraz profesorowie Wojciech Matusik i Daniela Rus.
Roboty o miękkich korpusach są elastyczne i plastyczne - onewyglądają bardziej jak skacząca kula niż kula do kręgli. Ich głównym problemem jest to, że są nieskończenie wymiarowe. Każdy punkt robota z miękkim ciałem może teoretycznie zdeformować się w każdy możliwy sposób. Utrudnia to stworzenie miękkiego robota, który może wyświetlać położenie swoich części ciała. Wcześniejsze próby wykorzystywały zewnętrzną kamerę do określenia pozycji robota i przesłania tych informacji z powrotem do programu sterującego robota. Ale naukowcy chcieli stworzyć miękkiego robota, który nie byłby zależny od pomocy z zewnątrz.
„Nie możesz pomieścić nieskończonej liczbyczujniki na samym robocie - podkreśla Spielberg. „Zatem pytanie brzmi, ile posiadasz czujników i gdzie je umieszczasz, aby jak najlepiej wykorzystać swoją inwestycję?”
Aby znaleźć odpowiedź, zespół zwrócił się ku głębokiemu uczeniu.
Naukowcy opracowali nową architekturęsieć neuronowa, która optymalizuje rozmieszczenie czujników i uczy się efektywnie wykonywać zadania. Najpierw badacze podzielili ciało robota na regiony – „części ciała”. Szybkość deformacji każdej cząstki wprowadzono do sieci neuronowej. Metodą prób i błędów sieć uczy się najskuteczniejszej sekwencji ruchów, aby wykonać zadania, takie jak chwytanie obiektów o różnych rozmiarach. Jednocześnie sieć śledzi, które części są najczęściej używane i wybiera ze zbioru danych wejściowych te rzadziej używane do późniejszych testów sieci.
Optymalizując najważniejsze części ciała robota,Sieć sugeruje również, gdzie umieścić czujniki na robocie, aby zapewnić wydajną pracę. Na przykład w symulowanym robocie z chwytającym ramieniem algorytm może sugerować, że czujniki są skoncentrowane w palcach i wokół nich, gdzie precyzyjnie kontrolowane interakcje z otoczeniem mają kluczowe znaczenie dla zdolności robota do manipulowania obiektami. Choć może się to wydawać oczywiste, okazało się, że algorytm znacznie przewyższał ludzką intuicję, gdzie umieścić czujniki.
Naukowcy porównali swój algorytmz szeregiem prognoz ekspertów. W przypadku trzech różnych projektów robotów miękkich zespół poprosił robotyków o ręczne wybranie miejsca, w którym należy umieścić czujniki, aby zapewnić wydajną realizację zadań, takich jak chwytanie różnych obiektów. Następnie przeprowadzili symulacje porównujące roboty z ekranem dotykowym i robotami z ekranem dotykowym. A wyniki nie były zbliżone. „Nasz model znacznie przewyższał ludzi w każdym zadaniu. Chociaż byłem pewien, że wiem, gdzie umieścić czujniki... – podsumowuje Amini. „Okazuje się, że problem ten ma znacznie więcej subtelności, niż początkowo oczekiwaliśmy”.
Czytaj więcej
Fizycy stworzyli analogię czarnej dziury i potwierdzili teorię Hawkinga. Dokąd to prowadzi?
Naukowcy odkryli mityczną cząstkę Odderona
Najbardziej tajemnicze zjawisko naturalne. Skąd się bierze piorun kulowy i jak jest niebezpieczny?