麻省理工学院的研究人员开发了一种深度学习神经网络，以帮助设计软体机器人，例如机器人大象的这些迭代。学分:麻省理工学院有些任务是传统机器人——刚性和金属机器人——无法胜任的。另一方面，软体机器人可能能够更安全地与人互动，或者轻松地溜进狭小的空间。但是为了让机器人可靠地完成它们的程序任务，它们需要知道它们身体所有部分的位置。对于一个可以以几乎无限多种方式变形的软机器人来说，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，帮助工程师设计软机器人，收集更多关于其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放置传感器，使其能够更好地与环境互动，并完成分配的任务。这一进步是机器人设计自动化的一步。亚历山大·阿米尼说:“该系统不仅学习给定的任务，还学习如何最好地设计机器人来解决该任务。“传感器放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。”
这项研究将在4月份的IEEE软机器人国际会议上发表，并将发表在《IEEE机器人和自动通讯》杂志上。共同的主要作者是阿米尼和安德鲁·斯皮尔伯格，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博士生Lillian Chin，以及教授Wojciech Matusik和Daniela Rus。
创造能够完成现实世界任务的软机器人一直是机器人领域的长期挑战。他们的刚性对手有一个内在的优势:有限的运动范围。刚性机器人有限的关节和肢体阵列通常通过控制映射和运动规划的算法进行可管理的计算。软机器人不那么容易驾驭。
身体柔软的机器人既灵活又柔韧——它们通常感觉更像一个弹力球，而不是保龄球。“软机器人的主要问题是它们是无限维的，”斯皮尔伯格说。"理论上，软体机器人上的任何一点都可以以任何可能的方式变形。"这使得设计一个能够绘制身体部位位置的软机器人变得困难。过去的努力使用外部摄像机来绘制机器人的位置，并将信息反馈到机器人的控制程序中。但是研究人员想创造一种不受外界帮助的软机器人。
功劳:麻省理工学院斯皮尔伯格说:“你不能在机器人本身上安装无限数量的传感器。“所以，问题是:你有多少传感器，你把这些传感器放在哪里，才能让你的钱得到最大的回报？”团队转向深度学习寻求答案。
研究人员开发了一种新颖的神经网络架构，既能优化传感器的放置，又能学会高效地完成任务。首先，研究人员将机器人的身体分成称为“粒子”的区域。每个粒子的应变率被作为输入提供给神经网络k。通过一个反复试验的过程，网络“学习”最有效的运动序列来完成任务，比如抓取不同大小的物体。与此同时，该网络跟踪最常使用的粒子，并从输入集中挑选较少使用的粒子用于网络的后续试验。
通过优化最重要的粒子，该网络还建议传感器应该放置在机器人的哪个位置，以确保高效的性能。例如，在一个具有抓握手的模拟机器人中，该算法可能建议传感器集中在手指中和手指周围，在手指周围，精确控制与环境的交互对于机器人操纵物体的能力至关重要。虽然这看起来很明显，但事实证明，在传感器的位置上，该算法大大优于人类的直觉。
研究人员将他们的算法与一系列专家预测进行对比。对于三种不同的软机器人布局，该团队要求机器人专家手动选择传感器应该放在哪里，以便能够有效地完成任务，如抓取各种物体。然后他们运行模拟实验，将人类感知的机器人和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大大超过了人类，尽管我看了一些机器人的身体，对传感器应该去哪里感到非常自信。“事实证明，这个问题比我们最初预期的要微妙得多。”
斯皮尔伯格说，他们的工作有助于机器人设计过程的自动化。他说，除了开发控制机器人运动的算法之外，“我们还需要考虑如何感知这些机器人，以及它们将如何与该系统的其他组件相互作用”。更好的传感器放置可以有工业应用，尤其是机器人被用于精细任务，如抓取。斯皮尔伯格说:“这是你需要非常强健、优化的触觉的地方。“因此，有可能立即产生影响。”
Rus说:“传感软机器人的自动化设计是朝着快速创建智能工具的方向迈出的重要一步，这些工具可以帮助人们完成物理任务。“传感器是该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。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
