Постоје неки задаци за које традиционални роботи - крути и метални - једноставно нису прикладни. ВИТХ
МИТ истраживачиИнститут је развио посебан алгоритам за решавање овог проблема. То ће помоћи инжењерима да развију софтверске роботе који прикупљају више корисних информација о окружењу. Алгоритам дубоког учења предлаже оптимизовано постављање сензора у тело робота. Ово му, заузврат, омогућава бољу интеракцију са окружењем и обављање додељених задатака. „Систем не само да учи конкретан проблем, већ и како најбоље дизајнирати робота да реши тај проблем“, објашњава Александар Амини са МИТ-а.
Истраживање ће бити представљено у априлуИЕЕЕ Међународна конференција о мекој роботици.&нбсп;Ководитељи су Александар Амини и Ендрју Спилберг, дипломирани студенти МИТ-ове Лабораторије за рачунарске науке и вештачку интелигенцију (ЦСАИЛ). Остали коаутори су дипломирани студент МИТ-а Лилиан Цхин и професори Војциецх Матусик и Даниела Рус.
Роботи меког тела су флексибилни и гипки - онивише личе на живахну лопту него на куглу. Њихов главни проблем је што су бескрајно димензионални. Свака тачка робота меког тела може се теоретски деформисати на било који могући начин. То отежава стварање меког робота који може приказати локацију његових делова тела. Претходни покушаји су користили спољну камеру за одређивање положаја робота и враћање ових информација у програм за управљање робота. Али истраживачи су желели да створе мекани робот који није зависио од спољне помоћи.
„Не можете примити бесконачан бројсензори на самом роботу, - наглашава Спиелберг. „Дакле, питање је колико сензора имате и где их постављате да бисте постигли што већу зараду?“
Тим се окренуо дубоком учењу за одговор.
Истраживачи су развили нову архитектурунеуронска мрежа која оптимизује постављање сензора и учи да ефикасно обавља задатке. Прво, истраживачи су поделили тело робота на регионе — „делове тела“. Брзина деформације сваке честице је унета у неуронску мрежу. Путем покушаја и грешака, мрежа учи најефикаснији редослед покрета за обављање задатака, као што је хватање предмета различитих величина. Истовремено, мрежа прати који се делови најчешће користе и из скупа улазних података бира оне које се мање користе за накнадно тестирање мреже.
Оптимизацијом најважнијих делова тела робота,мрежа такође предлаже где треба поставити сензоре на робота како би се осигурао ефикасан рад. На пример, код симулираног робота са хватајућом руком алгоритам може предложити концентрацију сензора у и око прстију, где су прецизно контролисане интеракције са околином од виталног значаја за способност робота да манипулише предметима. Иако се ово може чинити очигледним, испоставило се да је алгоритам далеко надмашио људску интуицију о томе где поставити сензоре.
Истраживачи су упоредили свој алгоритамуз низ стручних прогноза. За три различита дизајна меких робота, тим је затражио од роботичара да ручно одаберу где сензори треба да буду постављени како би се осигурало да се задаци као што је хватање различитих објеката могу ефикасно обављати. Затим су покренули симулације упоређујући роботе са екраном осетљивим на додир са роботима са екраном осетљивим на додир. И&нбсп;резултати нису били ни близу. „Наш модел је значајно надмашио људе у сваком задатку. Иако сам био сигуран да знам где да поставим сензоре… - закључује Амини. „Испоставило се да овај проблем има много више суптилности него што смо првобитно очекивали.
Опширније
Физичари су створили аналог црне рупе и потврдили Хокингову теорију. Куда води?
Научници су открили митску честицу Оддерон
Најмистериознији природни феномен. Одакле лоптаста муња и како је опасна?