如何設計并控制具有彈性的靈活機器人

（文章來源：教育新聞網）

麻省理工學院的研究人員發(fā)明了一種方法，可以有效地優(yōu)化用于目標任務的軟機器人的控制和設計，這在傳統(tǒng)上是一項艱巨的任務。

軟機器人具有彈性，柔性，可拉伸的主體，這些主體在任何給定時刻基本上可以移動無數種方式。從計算上講，這代表了一個高度復雜的“狀態(tài)表示”，它描述了機器人各部分的運動方式。軟機器人的狀態(tài)表示可能具有數百萬個維度，這使得很難計算出使機器人完成復雜任務的最佳方式。

在下個月的神經信息處理系統(tǒng)會議上，麻省理工學院的研究人員將提出一個模型，該模型根據機器人及其環(huán)境的基本物理特性，學習緊湊的或“低維”的詳細狀態(tài)表示形式。 。這有助于模型迭代地優(yōu)化滿足特定任務的運動控制和材料設計參數。

“軟機器人是無限維的生物，它們在任何給定時刻都會以十億種不同的方式彎曲，”第一作者安德魯·斯皮爾伯格(Andrew Spielberg)說，他是計算機科學和人工智能實驗室(CSAIL)的研究生?！暗?，實際上，軟物體可能會以自然方式彎曲。我們發(fā)現可以在低維描述中非常緊湊地描述軟機器人的自然狀態(tài)。我們通過學習良好的描述來優(yōu)化軟機器人的控制和設計可能的狀態(tài)。”

在仿真中，該模型使2D和3D軟機器人能夠比當前最新技術更快，更準確地完成任務，例如移動一定距離或到達目標位置。研究人員接下來計劃在真正的軟機器人中實施該模型。

CSAIL的研究生Allan Zhao，Tao Du和Huyuanming則是與Spielberg一同加入本文的人。CSAIL總監(jiān)Daniela Rus以及電機工程和計算機科學系的Andrew and Erna Viterbi教授;麻省理工學院電氣工程和計算機科學副教授，計算制造小組負責人Wojciech Matusik。軟機器人技術是一個相對較新的研究領域，但它對高級機器人技術有希望。例如，柔性車身可以提供與人類更安全的交互，更好的對象操縱和更大的可操縱性，以及其他好處。

在仿真中對機器人的控制依賴于“觀察者”，該程序計算變量以查看軟機器人如何移動以完成任務。在先前的工作中，研究人員將軟機器人分解為手工設計的模擬粒子簇。粒子包含重要信息，有助于縮小機器人的可能運動范圍。例如，如果機器人試圖以某種方式彎曲，則執(zhí)行器可能會對該移動進行足夠的抵抗，以至于可以忽略不計。但是，對于這種復雜的機器人，在仿真過程中手動選擇要跟蹤的集群可能很棘手。

在這項工作的基礎上，研究人員設計了一種“循環(huán)中學習優(yōu)化”方法，其中所有優(yōu)化參數都是在許多模擬的單個反饋循環(huán)中學習的。并且，在學習優(yōu)化的同時(或“在循環(huán)中”)該方法還學習狀態(tài)表示。該模型采用一種稱為“材料點方法”(MPM)的技術，該技術可模擬被背景網格包圍的連續(xù)材料(例如泡沫和液體)顆粒的行為。這樣，它無需任何額外的計算就可以將機器人的粒子及其可觀察的環(huán)境捕獲為像素或3D像素。

在學習階段，此原始粒子網格信息被饋送到機器學習組件，該組件學習輸入圖像，將其壓縮為低維表示，然后將表示解壓縮回輸入圖像。如果此“自動編碼器”在壓縮輸入圖像時保留了足夠的細節(jié)，則可以從壓縮中準確地重新創(chuàng)建輸入圖像。在研究人員的工作中，自動編碼器學習到的壓縮表示形式用作機器人的低維狀態(tài)表示形式。在優(yōu)化階段，該壓縮表示形式將返回到控制器，該控制器將為機器人的每個粒子在下一個MPM模擬步驟中應如何運動輸出計算出的驅動力。

同時，控制器使用該信息來調整每個粒子的最佳剛度，以實現其所需的運動。將來，該材料信息可能會用于3D打印軟機器人，在該3D打印軟機器人中，每個粒子點的打印硬度可能會略有不同。斯皮爾伯格說：“這允許根據機器人的動作創(chuàng)建與特定任務相關的機器人設計?！薄巴ㄟ^一起學習這些參數，您可以使所有內容盡可能地保持同步，從而使設計過程更加容易?！?/p>

依次將所有優(yōu)化信息反饋到循環(huán)的起點，以訓練自動編碼器。在許多模擬中，控制器學習最佳運動和材料設計，而自動編碼器學習越來越詳細的狀態(tài)表示。斯皮爾伯格說：“關鍵是我們希望低維狀態(tài)具有很好的描述性。”

機器人在設定的時間段內達到其模擬的最終狀態(tài)(例如，盡可能接近目標位置)后，將更新“損失函數”。這是機器學習的關鍵組成部分，它試圖最大程度地減少一些錯誤。在這種情況下，它可以使機器人距目標的距離最小化。該損失函數流回到控制器，該控制器使用誤差信號調整所有優(yōu)化的參數，以最好地完成任務。

斯皮爾伯格說，如果研究人員試圖將模擬的所有原始粒子直接送入控制器，而沒有壓縮步驟，則“運行和優(yōu)化時間將會激增”。使用壓縮表示，研究人員能夠將每次優(yōu)化迭代的運行時間從幾分鐘減少到大約10秒。研究人員通過對各種2D和3D兩足動物和四足機器人的仿真驗證了他們的模型。他們的研究人員還發(fā)現，雖然使用傳統(tǒng)方法的機器人最多可以進行30,000個仿真來優(yōu)化這些參數，但是在模型上訓練的機器人僅進行了約400個仿真。

將模型部署到實際的軟機器人中意味著解決現實噪聲和不確定性問題，這可能會降低模型的效率和準確性。但是，將來，研究人員希望為軟機器人設計從仿真到制造的完整流水線。
? ? ? （責任編輯：fqj）