Алгоритм нейронной сети оптимизирует размещение датчиков в мягких роботах

Исследователи Массачусетского технологического института (MIT) разработали нейронную сеть с глубоким обучением, чтобы помочь в разработке роботов с мягким телом. Техника глубокого обучения оптимизирует расположение датчиков на теле робота для обеспечения эффективной работы.

Есть некоторые задачи, для которых традиционные роботы - жесткие и металлические - просто не подходят. С другой стороны, роботы с мягким телом могут более безопасно взаимодействовать с людьми или с легкостью проникать в ограниченные пространства. Но, для того чтобы роботы надежно выполняли свои запрограммированные обязанности, им необходимо знать местонахождение всех частей своего тела. Это простая задача для человека, но сложная для мягкого робота, который способен деформироваться практически бесконечным числом способов.

Исследователи Массачусетского технологического института разработали специальный алгоритм, чтобы решить эту проблему. Он поможет инженерам разрабатывать программных роботов, которые собирают больше полезной информации об окружающей среде. Алгоритм глубокого обучения предлагает оптимизированное размещение датчиков в теле робота. Это, в свою очередь, позволяет ему лучше взаимодействовать с окружающей средой и выполнять поставленные задачи. "Система не только изучает конкретную задачу, но и как лучше всего спроектировать робота для решения этой задачи", - объясняет Александр Амини из MIT.

Исследование будет представлено на апрельской Международной конференции IEEE по мягкой робототехнике. Со-ведущими авторами являются Александр Амини и Эндрю Спилберг, аспиранты Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL). Среди других соавторов - аспирантка MIT Лилиан Чин и профессора Войцех Матусик и Даниэла Рус.

Роботы с мягким телом гибкие и податливые - они больше похожи на надувной шар, чем на шар для боулинга. Их основная проблема в том, что они бесконечно размерны. Любая точка робота с мягким телом теоретически может деформироваться любым возможным способом. Это затрудняет создание мягкого робота, который может отображать расположение частей своего тела. В прошлых попытках использовалась внешняя камера для определения положения робота и передачи этой информации обратно в программу управления роботом. Но исследователи хотели создать мягкого робота, не зависящего к внешней помощи.

"Вы не можете разместить бесконечное количество датчиков на самом роботе - подчеркивает Спилберг - Итак, вопрос в том, сколько у вас датчиков и где вы их размещаете, чтобы получить максимальную отдачу от вложенных средств?".

За ответом команда обратилась к глубокому обучению.

Исследователи разработали новую архитектуру нейронной сети, которая оптимизирует размещение датчиков и учится эффективно выполнять задачи. Сначала исследователи разделили тело робота на области - "части тела". Скорость деформации каждой частицы вводилась в нейронную сеть. Путем проб и ошибок сеть изучает наиболее эффективную последовательность движений для выполнения задач, таких как захват предметов разного размера. В то же время сеть отслеживает, какие части используются чаще всего, и отбирает менее используемые из набора входных данных для последующих испытаний сетей.

Оптимизируя наиболее важные части тела робота, сеть также предлагает, где следует разместить датчики на роботе, чтобы обеспечить эффективную работу. Например, в смоделированном роботе с цепляющейся рукой алгоритм может предложить, чтобы датчики были сконцентрированы внутри и вокруг пальцев, где точно контролируемые взаимодействия с окружающей средой жизненно важны для способности робота манипулировать объектами. Хотя это может показаться очевидным, оказалось, что алгоритм намного превзошел человеческую интуицию в вопросе того, где разместить датчики.

Исследователи сопоставили свой алгоритм с рядом экспертных прогнозов. Для трех различных макетов мягких роботов команда попросила робототехников вручную выбрать, где должны быть размещены датчики, чтобы обеспечить эффективное выполнение таких задач, как захват различных объектов. Затем они провели симуляции, сравнивая роботов с сенсорным экраном и роботами с сенсорным управлением. И результаты не были близкими. "Наша модель значительно превосходила людей по каждой задаче. Хотя я был уверен, что знаю, куда необходимо разместить идти датчики... - заключает Амини. - Оказывается, в этой проблеме гораздо больше тонкостей, чем мы изначально ожидали".