Există unele sarcini pentru care roboții tradiționali – rigizi și metalici – pur și simplu nu sunt potriviți.Cu
cercetătorii MITInstitutul a dezvoltat un algoritm special pentru a rezolva această problemă. Acesta va ajuta inginerii să dezvolte roboți software care colectează mai multe informații utile despre mediu. Algoritmul de învățare profundă sugerează plasarea optimizată a senzorilor în corpul robotului. Acest lucru, la rândul său, îi permite să interacționeze mai bine cu mediul și să îndeplinească sarcinile atribuite. „Sistemul nu numai că învață o problemă specifică, ci și cum să proiecteze cel mai bine un robot pentru a rezolva această problemă”, explică Alexander Amini de la MIT.
Cercetarea va fi prezentată în luna aprilieConferința internațională IEEE despre robotică moale. Co-autori principali sunt Alexander Amini și Andrew Spielberg, studenți absolvenți la Laboratorul de Informatică și Inteligență Artificială (CSAIL) al MIT. Alți co-autori includ studenta absolventă a MIT Lilian Chin și profesorii Wojciech Matusik și Daniela Rus.
Roboții cu corp moale sunt flexibili și maleabili - eiarata mai mult ca o minge saltuitoare decat o minge de bowling. Principala lor problemă este că sunt infinit dimensionale. Orice punct al unui robot cu un corp moale se poate deforma teoretic în orice mod posibil. Acest lucru face dificilă crearea unui robot moale care poate afișa locația părților corpului său. Încercările anterioare au folosit o cameră externă pentru a determina poziția robotului și a trimite aceste informații înapoi la programul de control al robotului. Dar cercetătorii au dorit să creeze un robot moale care să nu depindă de ajutorul din exterior.
„Nu poți găzdui un număr infinit desenzori pe robotul însuși, - subliniază Spielberg. „Așadar, întrebarea este, câți senzori aveți și unde îi așezați pentru a profita la maximum de investiția dvs.?”
Echipa a apelat la învățarea profundă pentru răspuns.
Cercetătorii au dezvoltat o nouă arhitecturăo rețea neuronală care optimizează plasarea senzorilor și învață să îndeplinească sarcinile eficient. În primul rând, cercetătorii au împărțit corpul robotului în regiuni - „părți ale corpului”. Rata de deformare a fiecărei particule a fost introdusă în rețeaua neuronală. Prin încercare și eroare, rețeaua învață cea mai eficientă secvență de mișcări pentru a efectua sarcini, cum ar fi prinderea obiectelor de diferite dimensiuni. În același timp, rețeaua ține evidența părților care sunt utilizate cel mai des și le selectează pe cele mai puțin utilizate din setul de date de intrare pentru testarea ulterioară a rețelei.
Optimizând cele mai importante părți ale corpului robotului,rețeaua sugerează, de asemenea, unde să plasați senzorii pe robot pentru a asigura o funcționare eficientă. De exemplu, într-un robot simulat cu un braț de apucare, un algoritm ar putea sugera ca senzorii să fie concentrați în și în jurul degetelor, unde interacțiunile controlate cu precizie cu mediul sunt vitale pentru capacitatea robotului de a manipula obiecte. Deși acest lucru poate părea evident, s-a dovedit că algoritmul a depășit cu mult intuiția umană cu privire la locul de amplasare a senzorilor.
Cercetătorii și-au comparat algoritmulcu o serie de previziuni ale experților. Pentru trei modele diferite de roboți moi, echipa le-a cerut robotiștilor să selecteze manual unde ar trebui plasați senzorii pentru a se asigura că sarcini precum prinderea diferitelor obiecte pot fi efectuate eficient. Apoi au efectuat simulări comparând roboții cu ecran tactil cu roboții cu ecran tactil. Și rezultatele nu au fost apropiate. „Modelul nostru a depășit semnificativ oamenii la fiecare sarcină. Deși eram sigur că știam unde să plasez senzorii… - conchide Amini. „Se pare că această problemă are mult mai multe subtilități decât ne așteptam inițial.”
Citeste mai mult
Fizicienii au creat un analog al unei găuri negre și au confirmat teoria lui Hawking. Unde duce?
Oamenii de știință au descoperit particula mitică a lui Odderon
Cel mai misterios fenomen natural. De unde provin fulgerele cu bile și cum este periculos?