Det finns vissa uppgifter som traditionella robotar – stel och metall – helt enkelt inte är lämpade för. MED
MIT-forskareInstitutet har utvecklat en speciell algoritm för att lösa detta problem. Det kommer att hjälpa ingenjörer att utveckla mjukvarurobotar som samlar in mer användbar information om miljön. Algoritmen för djupinlärning föreslår optimerad placering av sensorer i robotens kropp. Detta i sin tur gör att den bättre kan interagera med omgivningen och utföra tilldelade uppgifter. "Systemet lär sig inte bara ett specifikt problem, utan också hur man bäst designar en robot för att lösa det problemet", förklarar Alexander Amini på MIT.
Forskningen kommer att presenteras i aprilIEEE International Conference on Soft Robotics. Medförfattare är Alexander Amini och Andrew Spielberg, doktorander vid MIT:s Computer Science and Artificial Intelligence Laboratory (CSAIL). Andra medförfattare inkluderar MIT-studenten Lilian Chin och professorerna Wojciech Matusik och Daniela Rus.
Mjuka kroppar är flexibla och smidiga - deser mer ut som en studsande boll än en bowlingboll. Deras största problem är att de är oändligt dimensionella. Varje punkt på en robot med en mjuk kropp kan teoretiskt deformeras på något möjligt sätt. Detta gör det svårt att skapa en mjuk robot som kan visa platsen för sina kroppsdelar. Tidigare försök har använt en extern kamera för att bestämma positionen för roboten och mata tillbaka denna information till robotens kontrollprogram. Men forskarna ville skapa en mjuk robot som inte var beroende av hjälp utifrån.
”Du kan inte ta emot ett oändligt antalsensorer på själva roboten, - betonar Spielberg. "Så frågan är, hur många sensorer har du och var placerar du dem för att få ut mesta möjliga av din investering?"
Teamet vände sig till djupinlärning för att få svaret.
Forskare har utvecklat en ny arkitekturett neuralt nätverk som optimerar sensorplacering och lär sig att utföra uppgifter effektivt. Först delade forskarna in robotens kropp i regioner - "kroppsdelar". Deformationshastigheten för varje partikel infördes i det neurala nätverket. Genom försök och misstag lär sig nätverket den mest effektiva sekvensen av rörelser för att utföra uppgifter, som att greppa föremål av olika storlekar. Samtidigt håller nätverket reda på vilka delar som används oftast och väljer ut mindre använda från indatauppsättningen för efterföljande nätverkstestning.
Genom att optimera de viktigaste delarna av robotens kropp,nätverket föreslår också var sensorerna ska placeras på roboten för att säkerställa effektiv drift. Till exempel i en simulerad robot med en grepparm kan en algoritm föreslå att sensorer koncentreras i och runt fingrarna, där exakt kontrollerade interaktioner med miljön är avgörande för robotens förmåga att manipulera föremål. Även om detta kan verka uppenbart, visade det sig att algoritmen överträffade mänsklig intuition om var sensorerna skulle placeras.
Forskarna jämförde sin algoritmmed ett antal expertprognoser. För tre olika mjuka robotdesigner bad teamet robotister att manuellt välja var sensorer skulle placeras för att säkerställa att uppgifter som att greppa olika objekt kunde utföras effektivt. De körde sedan simuleringar som jämförde pekskärmsrobotar med pekskärmsrobotar. Och resultaten var inte i närheten. "Vår modell överträffade människor avsevärt på varje uppgift. Även om jag var säker på att jag visste var jag skulle placera sensorerna… – avslutar Amini. "Det visar sig att det finns mycket mer subtiliteter i det här problemet än vad vi ursprungligen förväntade oss."
Läs mer
Fysiker har skapat en analog av ett svart hål och bekräftat Hawkings teori. Vart leder det?
Forskare har upptäckt Odderons mytiska partikel
Det mest mystiska naturfenomenet. Varifrån kommer kulblixten och hur är det farligt?