Є деякі завдання, для яких традиційні роботи – жорсткі та металеві – просто не підходять.З
Дослідники з Массачусетського технологічного інституту розробили спеціальний алгоритм для вирішення цієї проблеми.Він допоможе інженерам розробити програмних роботів, які збирають більше корисної інформації про навколишнє середовище.Алгоритм глибокого навчання пропонує оптимізоване розміщення датчиків у тілі робота.Це, в свою чергу, дозволяє йому краще взаємодіяти з навколишнім середовищем і виконувати свої завдання.«Система не тільки вивчає конкретне завдання, але й те, як найкраще спроектувати робота, який впорається з цим завданням», — пояснює вінАлександр Аміні з Массачусетського технологічного інституту.
Дослідження буде представлено на квітневійМіжнародною конференції IEEE з м'якої робототехніки. Найвідомішими авторами є Олександр Аміні та Ендрю Спілберг, аспіранти Лабораторії комп'ютерних наук та штучного інтелекту Массачусетського технологічного інституту (CSAIL). Серед інших співавторів — аспірантка MIT Ліліан Чин та професори Войцех Матусік та Даніела Рус.
Роботи з м'яким тілом гнучкі і податливі - вонибільше схожі на надувну кулю, ніж на кулю для боулінгу. Їх основна проблема в тому, що вони нескінченно розмірності. Будь-яка точка робота з м'яким тілом теоретично може деформуватися будь-яким можливим способом. Це ускладнює створення м'якого робота, який може відображати розташування частин свого тіла. У минулі спроби використовувалася зовнішня камера для визначення положення робота і передачі цієї інформації назад в програму управління роботом. Але дослідники хотіли створити м'якого робота, що не залежить до зовнішньої допомоги.
«Ви не можете розмістити нескінченну кількістьдатчиків на самому роботі, - підкреслює Спілберг. - Отже, питання в тому, скільки у вас датчиків і де ви їх розміщуєте, щоб отримати максимальну віддачу від вкладених коштів? »
За відповіддю команда звернулася до глибокого навчання.
Дослідники розробили нову архітектурунейронної мережі, яка оптимізує розміщення датчиків і навчається ефективно виконувати завдання. Спочатку дослідники розділили тіло робота на області — частини тіла. Швидкість деформації кожної частинки вводилася в нейронну мережу. Шляхом проб і помилок мережа вивчає найбільш ефективну послідовність рухів для виконання завдань, таких як захоплення предметів різного розміру. В той же час мережа відстежує, які частини використовуються найчастіше, і відбирає менш використовувані з набору вхідних даних для подальших випробувань мереж.
Оптимізуючи найбільш важливі частини тіла робота,мережу також пропонує, де слід розмістити датчики на роботі, щоб забезпечити ефективну роботу. Наприклад, в змодельованої роботі з чіпляється рукою алгоритм може запропонувати, щоб датчики були сконцентровані всередині і навколо пальців, де точно контрольовані взаємодії з навколишнім середовищем життєво важливі для здатності робота маніпулювати об'єктами. Хоча це може здатися очевидним, виявилося, що алгоритм набагато перевершив людську інтуїцію в питанні того, де розмістити датчики.
Дослідники зіставили свій алгоритмз рядом експертних прогнозів. Для трьох різних макетів м'яких роботів команда попросила робототехніків вибрати вручну, де повинні бути розміщені датчики, щоб забезпечити ефективне виконання таких завдань, як захоплення різних об'єктів. Потім вони провели симуляції, порівнюючи роботів з сенсорним екраном і роботами з сенсорним управлінням. І результати не були близькими. «Наша модель значно перевершувала людей за кожним завданням. Хоча я був впевнений, що знаю, куди необхідно розмістити йти датчики. — робить висновок Аміні. — Виявляється, в цій проблемі набагато більше тонкощів, ніж ми спочатку очікували».
Читати далі
Фізики створили аналог чорної діри і підтвердили теорію Хокінга. До чого це призведе?
Вчені виявили міфічну частку Оддерона
Саме таємниче природне явище. Звідки береться кульова блискавка і чим вона небезпечна?