设计和控制具有弹性和柔韧身体的机器人

麻省理工学院的研究人员发明了一种有效优化目标任务的软机器人控制和设计的方法，这在传统上是计算领域的一项重大任务。

软体机器人有弹性、灵活、有弹性的身体，基本上可以在任何给定时刻以无限种方式移动。在计算上，这代表了一个高度复杂的“状态表示”，它描述了机器人的每个部分是如何移动的。软体机器人的状态表示可能有数百万个维度，因此很难计算出让机器人完成复杂任务的最佳方法。

在下个月的神经信息处理系统会议(Conference on Neural Information Processing Systems)上，麻省理工学院的研究人员将展示一个模型，该模型基于机器人的基本物理特性及其环境等因素，学习紧凑或“低维”但详细的状态表示。这有助于模型迭代地共同优化运动控制和材料设计参数，以满足特定的任务。

计算机科学与人工智能实验室(CSAIL)的研究生、第一作者安德鲁·斯皮尔伯格(Andrew Spielberg)说:“软体机器人是一种无限维度的生物，在任何给定的时刻都能以十亿种不同的方式弯曲。”“但事实上，柔软的物体可能会以自然的方式弯曲。我们发现软体机器人的自然状态可以用低维描述来描述。我们通过学习对可能状态的良好描述来优化软机器人的控制和设计。”

在模拟中，该模型使2-D和3-D软体机器人能够比目前最先进的方法更快、更准确地完成任务，例如移动一定距离或到达目标地点。研究人员下一步计划将该模型应用于真正的软体机器人。

“Learning-in-the-loop”

软机器人是一个相对较新的研究领域，但它为先进的机器人技术带来了希望。例如，灵活的身体可以提供与人类更安全的互动，更好的物体操作，以及更多的可操作性，以及其他好处。

在模拟中对机器人的控制依赖于一个“观察者”，这是一个计算变量的程序，可以看到软体机器人如何移动以完成任务。在之前的工作中，研究人员将软机器人分解为手工设计的模拟粒子簇。粒子包含重要信息，有助于缩小机器人可能的运动范围。例如，如果一个机器人试图以某种方式弯曲，驱动器可能会抵制这种运动，以至于可以忽略它。但是，对于这样复杂的机器人来说，在模拟过程中手动选择跟踪哪些集群是很棘手的。

在此基础上，研究人员设计了一种“循环学习优化”方法，其中所有优化参数都是在多次模拟的单个反馈循环中学习到的。而且，在学习优化(或“在循环中”)的同时，该方法还学习状态表示。

该模型采用了一种称为材料点法(MPM)的技术，该技术模拟了连续介质材料(如泡沫和液体)颗粒的行为，并被背景网格包围。在此过程中，它将机器人的粒子及其可观测环境捕获为像素或3d像素，称为体素，而不需要任何额外的计算。

在学习阶段，这些原始粒子网格信息被输入到机器学习组件中，该组件学习输入图像，将其压缩为低维表示，并将表示解压缩回输入图像。如果这个“自动编码器”在压缩输入图像时保留足够的细节，它可以准确地从压缩中重新创建输入图像。

在研究人员的工作中，自动编码器的学习压缩表示作为机器人的低维状态表示。在优化阶段，压缩表示循环回控制器，控制器输出一个计算驱动，说明机器人的每个粒子在下一个mpm模拟步骤中应该如何移动。

同时，控制器使用这些信息来调整每个粒子的最佳刚度，以实现其所需的运动。在未来，这些材料信息可以用于3d打印软体机器人，其中每个粒子点可能会打印出略微不同的刚度。斯皮尔伯格说:“这使得机器人设计能够迎合与特定任务相关的机器人运动。”“通过一起学习这些参数，你可以尽可能地保持一切同步，使设计过程更容易。”

更快的优化

所有优化信息依次反馈到循环的开始以训练自动编码器。在多次模拟中，控制器学习最佳运动和材料设计，而自动编码器学习越来越详细的状态表示。“关键是我们希望这种低维状态是非常描述性的，”斯皮尔伯格说。

当机器人在一段时间内达到模拟的最终状态后——比如，尽可能接近目标目的地——它会更新一个“损失函数”。这是机器学习的一个关键组成部分，它试图最小化一些错误。在这种情况下，它最小化了，比如说，机器人离目标的距离。该损失函数流回控制器，控制器使用错误信号调优所有优化参数，以最佳地完成任务。

如果研究人员试图直接将模拟的所有原始粒子输入控制器，而不需要压缩步骤，“运行和优化时间将会爆炸，”斯皮尔伯格说。使用压缩表示，研究人员能够将每次优化迭代的运行时间从几分钟缩短到大约10秒。

研究人员通过对各种2D和3D两足和四足机器人的模拟验证了他们的模型。研究人员还发现，虽然使用传统方法的机器人可以进行多达3万次模拟来优化这些参数，但在他们的模型上训练的机器人只进行了大约400次模拟。

将模型部署到真正的软体机器人中意味着要解决现实世界的噪声和不确定性问题，这些问题可能会降低模型的效率和准确性。但是，在未来，研究人员希望为软体机器人设计一个完整的管道，从模拟到制造。

麻省理工学院

www.mit.edu

-副主编克里斯·瓦夫拉编辑，控制工程， CFE传媒，cvavra@cfemedia.com．查看更多控制工程机器人的故事．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。