Shutterstock
Technologia

Nauka mechanicznej delikatności

Algorytm uczenia głębokiego, który ma pomóc inżynierom projektować miękkie roboty, opracowali naukowcy z Massachusetts Institute od Technology. Sugeruje on optymalne rozmieszczenie czujników na powierzchni maszyny. Ale nie tylko.

Roboty zbudowane z twardych materiałów nie są przeznaczone do wszystkich zadań. Kłopotem jest dla nich np. operowanie w ciasnych przestrzeniach. Ale mają pewną zaletę: ograniczony zakres ruchu. Układ „kończyn” i „stawów” zwykle umożliwia wykonywanie obliczeń za pomocą algorytmów sterujących mapowaniem i planowaniem ruchu.

Maszyny o miękkich korpusach są elastyczne i giętkie, zatem każdy fragment może teoretycznie ulec deformacji na każdy możliwy sposób. Aby jednak dokładnie swoje obowiązki, muszą nauczyć się właściwie orientować się w przestrzeni i odpowiednio dotykać przedmioty lub ludzi, z którymi pracują. W przypadku robotów, które mogą się odkształcać na nieskończoną liczbę sposobów, nie jest to sprawa prosta.

Do tej pory przy programowaniu takich maszyn wykorzystywano zewnętrzną kamerę, z której informacje były przekazywane z powrotem do programu sterującego. Jednak naukowcy chcieli stworzyć robota, który byłby pod tym względem samowystarczalny. Do tego potrzebne są czujniki.

– Na robocie nie można jednak zainstalować ich nieskończonej liczby – mówi Andrew Spielberg. Tu potrzebna jest precyzja.

Naukowcy opracowali więc nowatorską architekturę sieci neuronowej, która nie tylko optymalizuje rozmieszczenie czujników, lecz także uczy się efektywnego wykonywania zadań.

Najpierw podzielili ciało robota na określone części. Szybkość odkształcenia każdej została dostarczona jako dane wejściowe do sieci neuronowej. Później w procesie prób i błędów sieć „uczyła się” jak najefektywniej np. chwytać obiekty o różnych rozmiarach. Sprawdzała przy tym, które części są używane najczęściej, a te mniej przydatne usuwała ze zbioru danych wejściowych wykorzystywanych w kolejnych próbach. W końcu sugerowała, gdzie należy umieścić czujniki na robocie, aby zapewnić jego najlepszą wydajność.

Na przykład w robocie z chwytającą dłonią, wskazała, że optymalnie działać będą czujniki skoncentrowane w palcach i wokół nich. Chociaż może się to wydawać oczywiste, okazało się, że algorytm miał w tej sprawie o wiele lepszą intuicję niż ludzie.

– Automatyzacja projektowania miękkich robotów jest ważnym krokiem w kierunku szybkiego tworzenia inteligentnych narzędzi – mówi Daniela Rus. – Czujniki są ważnym aspektem procesu, bo umożliwiają miękkiemu robotowi „widzenie” i „rozumienie” otaczającego go świata – mówi Daniela Rus.

____________________________________________

źródło: Massachusetts Institute od Technology

Analiza działania robota. Dzięki uprzejmości Alexandra Aminiego, Andrew Spielberga, Danieli Rus, Wojciecha Matusika, Lillian Chin, et. glinArchiwumAnaliza działania robota. Dzięki uprzejmości Alexandra Aminiego, Andrew Spielberga, Danieli Rus, Wojciecha Matusika, Lillian Chin, et. glin

Reklama

Reklama