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)上一直是計算的一項艱巨任務。

軟機器人具有彈性，柔韌性，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，這表示一個非常復雜的“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，詳細的狀態(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。

“那個彎在任何給定時刻十億不同的方式，軟機器人是無窮維生物”第一作者安德魯·斯皮爾伯格，一說研究生的計算機科學與人工智能實驗室(CSAIL)。“但是，實際上，軟物體有自然的彎曲方式。我們發(fā)現，軟機器人的自然狀態(tài)可以在低維描述中非常緊湊地描述。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州。”

在仿真中，該模型使2-D和3-D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也在紙上加入了Spielberg。CSAIL總監(jiān)Daniela Rus以及電機工程和計算機科學專業(yè)的Andrew和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。

“在環(huán)學習”

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，更好的物體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，那么執(zhí)行器可能會抵抗該運動，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(或“在循環(huán)中”)的同時，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圍繞的連續(xù)材料顆粒(例如泡沫和液體)的行為。這樣，它無需任何額外的計算即可將機器人的粒子及其可觀察的環(huán)境捕獲為像素或3-D像素(稱為體素)。

在學習階段，該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。