麻省理工学院建立了一个深度学习神经网络来帮助设计软体机器人，比如这些机器大象的迭代。图片来源:麻省理工学院
有一些任务传统的机器人——坚硬的金属材质——根本就不适合。另一方面，软体机器人可能能够更安全地与人互动，或轻松地进入狭小的空间。但是对于机器人来说，要可靠地完成它们的编程任务，它们需要知道身体各部分的位置。对于一个几乎可以以无限种方式变形的软体机器人来说，这是一项艰巨的任务。
麻省理工学院的研究人员开发了一种算法来帮助工程师设计柔软的机器人它们可以收集更多关于周围环境的有用信息。深度学习算法建议在机器人体内优化安置传感器，使其能够更好地与环境交互并完成分配的任务。这一进展是向机器人设计的自动化迈进了一步。
亚历山大·阿米尼说:“这个系统不仅能学习给定的任务，还能学会如何设计出最好的机器人来解决这个任务。”“传感器安置是一个非常难解决的问题。所以，拥有这个解决方案是非常令人兴奋的。”
该研究将在IEEE软机器人国际会议上发表，并将发表在该杂志上IEEE机器人与自动化通讯．合著者是Amini和Andrew Spielberg，他们都是麻省理工学院计算机科学和人工智能实验室(CSAIL)的博士生。其他合著者包括麻省理工学院(MIT)博士生莉莲·秦(Lillian Chin)、沃伊切赫·马图斯克(Wojciech Matusik)教授和丹妮拉·罗斯(Daniela Rus)。
创建能够完成现实世界任务的软机器人一直是机器人领域的一个长期挑战。它们坚硬的对手有一个内在的优势:有限的活动范围。刚性机器人的关节和四肢的有限阵列通常使控制映射和运动规划的算法易于管理的计算。软机器人不那么容易驾驭。
软机器人是灵活和柔顺的-他们通常感觉更像一个有弹性的球而不是保龄球。“软机器人的主要问题是它们的维度是无限的，”斯皮尔伯格说。“理论上，软体机器人的任何一点都可以以任何可能的方式变形。”这使得设计一个可以绘制身体部位位置的软体机器人变得困难。过去的研究已经使用外部摄像机绘制机器人的位置，并将信息反馈到机器人的控制程序中。但是研究人员想要创造一个不受外部援助束缚的软机器人。
斯皮尔伯格说:“你不可能在机器人身上安装无限多的传感器。”“所以，问题是:你有多少传感器，你把这些传感器放在哪里才能让你的钱花得最划算?”研究小组从深度学习中寻找答案。
研究人员开发了一种新的神经网络结构，既可以优化传感器的位置，又可以学习高效地完成任务。首先，研究人员将机器人的身体划分为称为“粒子”的区域。每个粒子的应变速率作为神经网络的输入。通过一个反复试验的过程，该网络“学习”出最有效的动作序列来完成任务，比如抓住不同大小的物体。与此同时，该网络会跟踪使用频率最高的粒子，并从输入集合中挑选出使用频率较低的粒子，用于后续的试验。
通过优化最重要的粒子，该网络还建议在机器人上放置传感器的位置，以确保高效的性能。例如，在一个有抓手的模拟机器人中，该算法可能建议将传感器集中在手指内部和周围，精确控制与环境的交互对机器人操纵物体的能力至关重要。虽然这似乎是显而易见的，但事实证明，该算法在定位传感器的位置上远远超过了人类的直觉。
相关:超材料可能导致变形机器人
研究人员将他们的算法与一系列专家预测进行了对比。对于三种不同的软机器人布局，研究团队要求机器人专家手动选择传感器应该放置的位置，以确保高效完成抓取各种物体等任务。然后，他们进行了模拟，将人类感知的机器人与算法感知的机器人进行比较。结果并不接近。
阿米尼说:“我们的模型在每项任务上都远远超过了人类，尽管我看了一些机器人的身体，对传感器应该去哪里非常有信心。”“事实证明，这个问题比我们最初预想的要微妙得多。”
斯皮尔伯格表示，他们的工作可以帮助实现机器人设计过程的自动化。除了开发控制机器人运动的算法，“我们还需要考虑如何感知这些机器人，以及如何与该系统的其他组件相互作用，”他说。更好的传感器布置也可以应用于工业领域，特别是在机器人用于抓手等精细任务的领域。“这需要一种非常强大、优化的触觉，”斯皮尔伯格说。“因此，有可能产生直接影响。”
罗斯说:“自动化感应软机器人的设计是快速创造智能工具，帮助人们完成体力任务的重要一步。”“传感器是这个过程的一个重要方面，因为它们使软机器人能够“看到”和理解世界及其与世界的关系。”
编者按:这篇文章转载自麻省理工学院的新闻．
告诉我们你的想法!