Как проектировать и управлять роботами с эластичные, гибкие тела

Исследователи Массачусетского технологического института придумали эффективный способ оптимизации управления и конструирования мягких роботов для целевых задач, которые традиционно монументального предприятия в расчетах.

Мягкие роботы имеют упругий, гибкий, эластичный органов, что может существенно двигаться бесконечное количество способов в любой момент. Вычислений, представляет собой весьма сложный «государственного представительства», которая описывает, как каждая часть робота находится в движении. Состояние представления для мягких роботов может иметь потенциально миллионы измерений, что делает его трудно вычислить оптимальный способ заставить робота выполнять сложные задания.

На конференции нейронные системы обработки информации, в следующем месяце, в Массачусетском технологическом институте исследователи предложили модель, которая узнает, компактный, или «маломерная», но вся государственная представительство, основанное на базовых физических процессов робота и окружающей его среды, среди других факторов. Это помогает модели итерационно оптимизации управления движением и материал конструктивных параметров учитываются конкретные задачи.

«Мягкие роботы бесконечно-мерных существ, которые гнутся в миллиард разных способов в любой момент», — говорит первый автор Андрей Спилберг, аспирант в области компьютерных наук и лаборатории искусственного интеллекта (CSAIL). «Но, по правде говоря, есть естественные способы, мягкие предметы, скорее всего нагнут. Мы обнаруживаем естественные состояния мягких роботов можно описать очень компактно в низкоразмерных описание. Мы оптимизируем управление и дизайн мягких роботов, изучая хорошее описание вероятных состояний».

При моделировании, модели с поддержкой 2D-и 3D-мягких роботов для выполнения задач, таких как перемещение определенного расстояния или при достижении целевой позиции … более быстро и точнее, чем нынешнее государство-оф-современные методы. Затем исследователи планируют реализовать модель в реальном мягких роботов.

Присоединение Спилберг на бумаге CSAIL аспирантов Аллан Жао, Тао Ду, и Юаньмин Ху; Даниэла Рус, директор CSAIL и Андрей и Эрна Витерби профессор электротехники и компьютерных наук; и Войцех Matusik, МИТ доцент кафедры электротехники и компьютерных наук и руководитель расчетной группы изготовления.

«Обучение-в-петлю»

Мягкая робототехника является относительно новой областью исследований, но он держит обещание для продвинутых роботов. Например, гибкие органы могли бы предложить безопасного взаимодействия с людьми, лучше манипуляции объекта и большей маневренностью, среди других преимуществ.

Управления роботами в моделировании опирается на «наблюдателя» программу, которая вычисляет переменные, которые видят, как мягкий робот двигается для выполнения задачи. В предыдущей работе, исследователи раскладывается мягкий робот в ручной предназначен кластеров моделируемых частиц. Частицы содержат важную информацию, которая поможет сузить круг возможных движений робота. Если робот пытается согнуть определенным образом, например, приводы могут противостоять этому движению настолько, что его можно игнорировать. Но, для таких сложных роботов, выбирают вручную, какие кластеры на трассе во время моделирования может быть сложно.

Дом с этой работы, ученые разработали проект «Обучение-в-петлю оптимизации» метод, где все оптимизированных параметров, извлеченных в ходе одного цикла обратной связи в течение многих моделей. И, в то же время как обучение оптимизации … или «в петле» — метод также узнает государственного представительства.

Модель использует метод, называемый материальный способ точек (ММТ), который имитирует поведение частиц материалов континуума, такие как пенки и жидкости, окруженный фоновую сетку. При этом, он захватывает частицы робота и его наблюдаемая среда в пикселях или 3D пиксели, известными как воксели, без необходимости каких-либо дополнительных вычислений.

В фазе обучения, это исходные данные сетки частиц подается в машинного обучения компонент, который учится входное изображение, сжимать его до минимума-мерном представлении, и распаковать представление обратно на вход изображения. Если этот «автоэнкодер» сохраняет достаточно подробно, в то время как изменение размера входного изображения, он может точно воссоздать входного изображения от сжатия.

В работе исследователей, научились сжатого представления автоэнкодера служат низкоразмерных государственного представительства робота. На этапе оптимизации, что представление в сжатом виде петли обратно в контроллер, который выдает расчетную возбуждения, как каждая частица робот должен двигаться в следующем МПМ-имитация шага.

Одновременно регулятор использует эту информацию, чтобы настроить оптимальную жесткость для каждой частицы, чтобы достичь желаемого движения. В будущем, что существенная информация может быть полезной для 3D-печати мягких роботов, где каждое пятно частицы могут быть напечатаны с немного разной жесткости. «Это позволяет создавать конструкции робота обслуживали роботов движения, которые будут актуальны для конкретных задач», — говорит Спилберг. «Изучая эти параметры вместе, чтобы все у тебя было как максимально синхронизированы, чтобы сделать это облегчить процесс разработки.»

Быстрее оптимизация

Все оптимизации информации, в свою очередь, подается обратно в начало цикла для обучения автоэнкодера. На протяжении многих симуляторах, контроллер запоминает оптимальное движение и материал конструкции, в то время как автоэнкодер узнает все больше и больше подробная государственного представительства. «Самое главное-мы хотим, чтобы низкоразмерных государство было очень показательно», — говорит Спилберг.

После того как робот попадает на его имитации конечного состояния в течение определенного периода времени, скажем, как можно ближе к цели назначения-это обновления «функцию потерь». Это важный компонент машинного обучения, который старается свести к минимуму некоторые ошибки. В этом случае он уменьшает, скажем, как далеко робот остановился от цели. Что функция потерь стекает обратно в контроллер, который использует сигнал ошибки для настройки всех оптимизируемых параметров для наилучшего выполнения задачи.

Если исследователи пытались напрямую кормить все исходные частицы моделирование в контроллер, без такта сжатия, «бег и оптимизации взорвется», — говорит Спилберг. С помощью сжатого представления, исследователям удалось уменьшить время выполнения для каждой итерации оптимизации от нескольких минут до примерно 10 секунд.

Исследователи подтвердили свои модели на моделирование различных 2D и 3D двуногих и четырехногих роботов. Они исследователи также обнаружили, что во время роботы с использованием традиционных методов может занимать до 30000 моделирования для оптимизации этих параметров, роботы, обученные на модель ушло всего около 400 моделей.

Развертывание модели в реальном мягких роботов означает решение вопросов, связанных с реальной шума и неопределенности, которые могут снижать эффективность и точность модели. Но, в будущем, исследователи надеются разработать полноценный конвейер, от моделирования до изготовления, Для мягких роботов.

Видео: https://www.youtube.com/watch?v=cwxl3957Ysc

сделать разницу: спонсорские возможности