22/03/2021
Door Ad Spijkers
Deep learning optimaliseert de plaatsing van sensoren op de buitenkant van een zachte robot om een efficiënte werking te garanderen.
Er zijn bepaalde taken waar de stijve metalen traditionele robots gewoon niet geschikt voor zijn. Robots met zachte oppervlakken kunnen veiliger omgaan met mensen. Maar om hun geprogrammeerde taken op een betrouwbare manier te kunnen uitvoeren, moeten robots weten waar al hun armen zich bevinden. Dat is een hele opgave voor een zachte robot die op vrijwel oneindig veel manieren kan vervormen.
Zachte robots
De traditionele stijve robots hebben gewrichten en armen en dat maakt het mogelijk om berekeningen uit te voeren met algoritmen die de ruimtelijke locatie en bewegingsplanning regelen. Zachte robots zijn niet zo handelbaar. Ze zijn flexibel en buigzaam maar ook oneindig dimensionaal zijn. Elk punt op een robot met een zacht lichaam kan in theorie op elke mogelijke manier vervormen.
Tot op heden wordt een externe camera gebruikt om de positie van de robot in kaart te brengen en die informatie terug te koppelen naar de besturing. Maar de onderzoekers wilden een zachte robot maken die niet gebonden is aan externe hulp. Maar ze kunnen niet een oneindig aantal sensoren op de robot zelf plaatsen. De vraag is dus hoeveel sensoren beschikbaar zijn en waar je die plaatst om de meeste bang waar voor je geld te krijgen. Het onderzoekersteam wendde zich tot deep learning voor een antwoord.
Neuraal netwerk
Onderzoekers van het Massachusetts Institute of Technology hebben een algoritme ontwikkeld om ingenieurs te helpen zachte robots te ontwerpen die meer informatie over hun omgeving verzamelen. Het deep learning algoritme stelt een geoptimaliseerde plaatsing van sensoren in het lichaam van de robot voor, waardoor deze beter kan interageren met zijn omgeving en toegewezen taken kan voltooien.
De onderzoekers ontwikkelden hiertoe een nieuwe neurale netwerkarchitectuur die zowel de plaatsing van sensoren optimaliseert als leert om taken efficiënt uit te voeren. Eerst verdeelden de onderzoekers het lichaam van de robot in regio's die 'deeltjes' werden genoemd. De reksnelheid van elk deeltje werd aan het neurale netwerk doorgegeven.
Vallen en opstaan
Via een proces van vallen en opstaan 'leert' het netwerk de meest efficiënte volgorde van bewegingen om taken uit te voeren, bijvoorbeeld het grijpen van voorwerpen van verschillende grootte. Tegelijkertijd houdt het netwerk bij welke deeltjes het vaakst worden gebruikt, en haalt het de minder gebruikte deeltjes uit de reeks ingangen voor de volgende proeven uit het netwerk.
Door de belangrijkste deeltjes te optimaliseren, kan het netwerk aangeven waar sensoren op de robot moeten worden geplaatst om efficiënte prestaties te garanderen. In een gesimuleerde robot met een grijphand zou het algoritme bijvoorbeeld kunnen voorstellen om de sensoren te concentreren in en rond de vingers. Hier zijn nauwkeurig gecontroleerde interacties met de omgeving van vitaal belang voor het vermogen van de robot om objecten te manipuleren.
De onderzoekers stelden hun algoritme tegenover een reeks voorspellingen van experts. Voor drie verschillende zachte robotlay-outs vroeg het team aan robotspecialisten om handmatig te selecteren waar de sensoren moesten worden geplaatst om taken zoals het vastgrijpen van verschillende objecten efficiënt te kunnen uitvoeren.
Daarna voerden ze simulaties uit waarbij de robots met door de mens geplaatste sensoren werden vergeleken met de robots met door het algoritme aangewezen sensoren. Het model van de onderzoekers deed het voor elke taak veel beter dan de mens.
Vooruitzichten
Het onderzoek kan helpen om het proces van robotontwerp te automatiseren. Dat omvat het ontwikkelen van algoritmen om de bewegingen van een robot te besturen, maar ook hoe robots van sensoren worden voorzien en hoe die zullen samenwerken met andere componenten van een systeem.
Het automatiseren van het ontwerp van zachte robots met sensoren is een belangrijke stap in de richting van het snel creëren van intelligente hulpmiddelen die mensen helpen bij fysieke taken. Sensoren stellen de zachte robot in staat de wereld en zijn relatie met de wereld te 'zien' en te begrijpen.
De illustratie toont de iteraties van een robot-olifant. Bron: MIT Computer Science and Artificial Intelligence Laboratory