Nieuw Algoritme Maakt Zelf-Zintuigende Zachte Robots Mogelijk voor Betrouwbare Taken

Er zijn taken die traditionele robots — het starre en metaal soort — niet kunnen uitvoeren. Zachte robots kunnen veiliger met mensen interacteren of gemakkelijk in krappe ruimtes glijden. Maar voor robots om betrouwbaar hun geprogrammeerde taken te voltooien, moeten ze de waarabouts van al hun lichaamsdelen weten. Dat is een lastige taak voor een zachte robot die op oneindig veel manieren kan deformereren.

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

Het creëren van zachte robots die real-world taken voltooien is een uitdaging in robotica. Stijve robots hebben een ingebouwd voordeel: een beperkt bereik van beweging. Stijve robots' eindige array van gewrichten en ledematen maakt meestal voor beheersbare berekeningen door de algoritmes die mapping en bewegingsplanning controleren. Zachte robots zijn niet zo behandelbaar.

Zachte robots zijn flexibel en buigzaam — ze voelen over het algemeen meer als een knikkerbal dan als een bowlingbal. Elk punt op een zachte robot kan, in theorie, op elke mogelijke manier deformereren. Dat maakt het moeilijk om een zachte robot te ontwerpen die de locatie van zijn lichaamsdelen kan karteren. Eerdere pogingen gebruikten een externe camera om de positie van de robot te kartografieren en die informatie terug te voeden in het controleprogramma van de robot. Maar de onderzoekers wilden een zachte robot creëren die onthecht is van externe hulp.

Ze ontwikkelden een nieuwe neurale netwerk architectuur die zowel sensorplaatsing optimaliseert als leert om efficiënt taken te voltooien. Eerst deelden ze het lichaam van de robot in regio's genaamd "deeltjes." De reksnelheid van elk deeltje werd als invoer aan het neurale netwerk gegeven. Door een proces van trial and error "leert" het netwerk de meest efficiënte reeks bewegingen om taken te voltooien, zoals het grijpen van objecten van verschillende groottes. Tegelijkertijd houdt het netwerk bij welke deeltjes het meest gebruikt worden en haalt de minder gebruikte deeltjes uit de set invoeren voor de volgende proefronden van het netwerk.

Door de belangrijkste deeltjes te optimaliseren, suggereert het netwerk ook waar sensoren op de robot geplaatst moeten worden om efficiënte prestaties te garanderen. In een gesimuleerde robot met een grijpende hand, zou het algoritme kunnen suggereren dat sensoren geconcentreerd zijn in en rond de vingers, waar precies gecontroleerde interacties met de omgeving vitaal zijn voor de mogelijkheid van de robot om objecten te manipuleren. Hoewel dat voor de hand liggend kan lijken, blijkt dat het algoritme de menselijke intuïtie over waar de sensoren te plaatsen aanzienlijk overtreft.

Het werk kan helpen het proces van robotontwerp te automatiseren. Naast het ontwikkelen van algoritmes om de bewegingen van een robot te controleren, moeten ontwerpers nadenken over hoe sensoren op robots te plaatsen en hoe dat met andere componenten van dat systeem zal samenspelen. Betere sensorplaatsing kan industriële toepassingen hebben, vooral waar robots gebruikt worden voor fijne taken zoals grijpen.