研究人员的算法设计了具有感知能力的软体机器人
深度学习技术优化了机器人身体上传感器的布置，以确保高效运行。看到视频。
有些任务传统的机器人——刚性的金属机器人——根本不适合。另一方面，软体机器人可能能够安全地与人互动，或轻松地潜入狭小的空间。为了让机器人可靠地完成它们的编程任务，它们需要知道自己所有身体部位的位置。对于一个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，可以帮助工程师设计能够收集周围环境更多有用信息的软体机器人。深度学习算法建议在机器人体内优化传感器的位置，使其更好地与环境互动并完成分配的任务。这一进展向机器人设计自动化迈进了一步。麻省理工学院博士生亚历山大·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。”“传感器的放置是一个非常难以解决的问题。所以，拥有这个解决方案是非常令人兴奋的。”
创造能够完成现实世界任务的软体机器人一直是机器人领域长期面临的挑战。它们的刚性对手有一个内在的优势:活动范围有限。刚性机器人的关节和四肢的有限阵列通常使得通过控制映射和运动规划的算法进行易于管理的计算。软体机器人不那么容易控制。
软体机器人灵活且柔韧——它们通常感觉更像一个有弹性的球，而不是保龄球。“软体机器人的主要问题在于它们的维度是无限的，”麻省理工学院的博士生安德鲁·斯皮尔伯格(Andrew Spielberg)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体机器人变得非常困难。过去的研究使用外部摄像头绘制机器人的位置图，并将信息反馈到机器人的控制程序中。但研究人员想要创造一种不受外部援助束缚的软体机器人。
“你不能在机器人身上装无数个传感器，”斯皮尔伯格说。“所以，问题是:你有多少传感器，你把这些传感器放在哪里，才能获得最大的效益?”该团队转向深度学习寻求答案。
研究人员开发了一种新的神经网络架构，既能优化传感器的放置，又能学习有效地完成任务。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。通过试错的过程，该网络“学习”了完成任务的最有效的动作序列，比如抓取不同大小的物体。与此同时，该网络会跟踪哪些粒子被使用得最频繁，并从网络后续试验的输入集中剔除使用频率较低的粒子。
通过优化最重要的粒子，该网络还建议传感器应该放在机器人上的位置，以确保高效的性能。例如，在一个具有抓取手的模拟机器人中，算法可能会建议将传感器集中在手指及其周围，而手指与环境的精确控制交互对于机器人操作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，算法在传感器放置位置上的表现远远超过了人类的直觉。
研究人员将他们的算法与一系列专家预测进行了对比。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置的位置，以便有效地完成抓取各种物体等任务。然后他们进行了模拟，将人类感知机器人与算法感知机器人进行了比较。结果并不接近。阿米尼说:“我们的模型在每项任务上都大大优于人类，尽管我观察了一些机器人的身体，对传感器的位置非常有信心。”“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，他们的工作可以帮助机器人设计过程自动化。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，”斯皮尔伯格说。
更好的传感器配置可能会有工业应用，特别是在机器人用于抓抓等精细任务的领域。斯皮尔伯格说:“这就需要一种非常强大、优化的触觉。”“因此，有可能产生立竿见影的影响。”
麻省理工学院教授丹妮拉·罗斯(Daniela Rus)说:“自动化传感器软机器人的设计是快速创造帮助人们完成体力任务的智能工具的重要一步。”“传感器是这个过程的一个重要方面，因为它们使软体机器人能够‘看到’和理解世界，以及它与世界的关系。”
-由Chris Vavra编辑，网页内容经理，控制工程， CFE媒体与技术，cvavra@cfemedia.com．
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。
