Existujú úlohy, na ktoré sa tradičné roboty – pevné a kovové – jednoducho nehodia. S
Výskumníci z MITInštitút vyvinul špeciálny algoritmus na riešenie tohto problému. Pomôže inžinierom vyvinúť softvérové roboty, ktoré zbierajú užitočnejšie informácie o životnom prostredí. Algoritmus hlbokého učenia navrhuje optimalizované umiestnenie senzorov v tele robota. To mu zase umožňuje lepšiu interakciu s prostredím a plnenie zadaných úloh. „Systém sa naučí nielen konkrétny problém, ale aj to, ako najlepšie navrhnúť robota, aby tento problém vyriešil,“ vysvetľuje Alexander Amini z MIT.
Výskum bude prezentovaný v apríliMedzinárodná konferencia IEEE o mäkkej robotike. Spolu vedúcimi autormi sú Alexander Amini a Andrew Spielberg, postgraduálni študenti Laboratória počítačovej vedy a umelej inteligencie (CSAIL) na MIT. Ďalšími spoluautormi sú absolventka MIT Lilian Chin a profesori Wojciech Matušik a Daniela Rus.
Roboty s mäkkým telom sú pružné a tvárne - to sú onivyzerajú skôr ako nafukovacia lopta ako bowlingová guľa. Ich hlavným problémom je, že sú nekonečne rozmerné. Akýkoľvek bod robota s mäkkým telom sa môže teoreticky ľubovoľným spôsobom zdeformovať. To sťažuje vytvorenie mäkkého robota, ktorý dokáže zobraziť polohu jeho častí tela. Predchádzajúce pokusy používali externú kameru na určenie polohy robota a na odoslanie týchto informácií späť do riadiaceho programu robota. Vedci však chceli vytvoriť mäkkého robota, ktorý by nezávisel od vonkajšej pomoci.
"Nemôžeš pojať nekonečné množstvo."senzory na samotnom robotovi, - zdôrazňuje Spielberg. „Otázka teda znie, koľko máte senzorov a kam ich umiestnite, aby ste čo najlepšie využili svoju investíciu?“
Tím sa pre odpoveď obrátil na hlboké učenie.
Výskumníci vyvinuli novú architektúruneurónová sieť, ktorá optimalizuje umiestnenie senzorov a učí sa efektívne vykonávať úlohy. Po prvé, vedci rozdelili telo robota na oblasti – „časti tela“. Rýchlosť deformácie každej častice bola zadaná do neurónovej siete. Prostredníctvom pokusu a omylu sa sieť naučí najefektívnejšiu postupnosť pohybov pri vykonávaní úloh, ako je uchopenie predmetov rôznych veľkostí. Sieť zároveň sleduje, ktoré časti sa používajú najčastejšie a zo súboru vstupných údajov vyberá tie menej používané na následné testovanie siete.
Optimalizáciou najdôležitejších častí tela robotasieť tiež navrhuje, kam umiestniť senzory na robot, aby sa zabezpečila efektívna prevádzka. Napríklad v simulovanom robotovi s uchopovacím ramenom môže algoritmus naznačovať, že senzory sa sústreďujú okolo prstov a okolo nich, kde sú pre schopnosť robota manipulovať s objektmi nevyhnutné presne riadené interakcie s prostredím. Aj keď sa to môže javiť ako zrejmé, ukázalo sa, že algoritmus ďaleko predčil ľudskú intuíciu o tom, kam umiestniť senzory.
Vedci porovnali svoj algoritmuss množstvom odborných prognóz. V prípade troch rôznych návrhov mäkkých robotov tím požiadal robotikov, aby manuálne vybrali, kde by mali byť senzory umiestnené, aby sa zabezpečilo efektívne vykonávanie úloh, ako je uchopenie rôznych predmetov. Potom spustili simulácie porovnávajúce roboty s dotykovou obrazovkou a robotmi s dotykovou obrazovkou. A výsledky neboli tesné. „Náš model výrazne prekonal ľudí v každej úlohe. Hoci som si bol istý, že viem, kam umiestniť senzory… - uzatvára Amini. "Ukazuje sa, že tento problém má oveľa viac jemností, ako sme pôvodne očakávali."
Čítaj viac
Fyzici vytvorili analóg čiernej diery a potvrdili Hawkingovu teóriu. Kadiaľ vedie?
Vedci objavili mýtickú časticu Odderonu
Najtajomnejší prírodný úkaz. Odkiaľ pochádza guľový blesk a v čom je nebezpečný?