Algoritme ontwerpt zachte robots die aanvoelen

Er zijn enkele taken die traditionele robots - de stijve en metalen soort - niet kunnen uitvoeren. Robots met een zacht lichaam kunnen mogelijk veiliger met mensen omgaan of gemakkelijk in krappe ruimtes glippen. Maar om robots hun geprogrammeerde taken op betrouwbare wijze te laten uitvoeren, moeten ze weten waar al hun lichaamsdelen zich bevinden. Dat is een moeilijke taak voor een zachte robot die op oneindig veel manieren kan vervormen.

Onderzoekers hebben een algoritme ontwikkeld om ingenieurs te helpen bij het ontwerpen van zachte robots die meer nuttige informatie over hun omgeving verzamelen. Het deep-learning-algoritme suggereert een geoptimaliseerde plaatsing van sensoren in het lichaam van de robot, waardoor deze beter kan communiceren met zijn omgeving en toegewezen taken kan voltooien. De opmars is een stap in de richting van de automatisering van robotontwerp. Het systeem leert niet alleen een bepaalde taak, maar ook hoe de robot het beste kan worden ontworpen om die taak op te lossen.

Het creëren van zachte robots die taken in de echte wereld voltooien, was een uitdaging in robotica. Stijve robots hebben een ingebouwd voordeel:een beperkt bewegingsbereik. De eindige reeks gewrichten en ledematen van starre robots zorgt meestal voor beheersbare berekeningen door de algoritmen die mapping en bewegingsplanning regelen. Zachte robots zijn niet zo handelbaar.

Robots met een zacht lichaam zijn flexibel en buigzaam - ze voelen over het algemeen meer aan als een stuiterbal dan als een bowlingbal. Elk punt op een robot met een zacht lichaam kan in theorie op elke mogelijke manier vervormen. Dat maakt het moeilijk om een ​​zachte robot te ontwerpen die de locatie van zijn lichaamsdelen in kaart kan brengen. Bij eerdere inspanningen is een externe camera gebruikt om de positie van de robot in kaart te brengen en die informatie terug te voeren naar het besturingsprogramma van de robot. Maar de onderzoekers wilden een zachte robot maken, los van externe hulp.

Ze ontwikkelden een nieuwe neurale netwerkarchitectuur die zowel de plaatsing van sensoren optimaliseert als leert om taken efficiënt uit te voeren. Eerst verdeelden ze het lichaam van de robot in gebieden die 'deeltjes' worden genoemd. De reksnelheid van elk deeltje werd verstrekt als invoer voor het neurale netwerk. Door een proces van vallen en opstaan ​​"leert" het netwerk de meest efficiënte volgorde van bewegingen om taken uit te voeren, zoals het vastgrijpen van objecten van verschillende groottes. Tegelijkertijd houdt het netwerk bij welke deeltjes het meest worden gebruikt en haalt het de minder gebruikte deeltjes uit de set inputs voor de daaropvolgende proeven van de netwerken.

Door de belangrijkste deeltjes te optimaliseren, suggereert het netwerk ook waar sensoren op de robot moeten worden geplaatst om efficiënte prestaties te garanderen. In een gesimuleerde robot met een grijphand zou het algoritme kunnen suggereren dat sensoren in en rond de vingers worden geconcentreerd, waar nauwkeurig gecontroleerde interacties met de omgeving essentieel zijn voor het vermogen van de robot om objecten te manipuleren. Hoewel dat misschien voor de hand liggend lijkt, blijkt het algoritme veel beter te presteren dan de intuïtie van mensen over waar de sensoren moeten worden geplaatst.

Het werk kan helpen om het proces van robotontwerp te automatiseren. Naast het ontwikkelen van algoritmen om de bewegingen van een robot te besturen, moeten ontwerpers nadenken over hoe ze sensoren op robots kunnen plaatsen en hoe dat zal samenwerken met andere componenten van dat systeem. Een betere plaatsing van de sensoren zou industriële toepassingen kunnen hebben, vooral waar robots worden gebruikt voor fijne taken zoals grijpen.