• Breaking News

    Algoritma peneliti mendesain robot lunak yang masuk akal

     

    Ada beberapa tugas yang tidak cocok dilakukan robot tradisional - jenis yang kaku dan metalik. Robot bertubuh lunak, di sisi lain, mungkin dapat berinteraksi dengan orang lebih aman atau menyelinap ke ruang sempit dengan mudah. Tetapi agar robot dapat menyelesaikan tugas terprogramnya dengan andal, mereka perlu mengetahui keberadaan semua bagian tubuhnya. Itu tugas yang berat untuk robot lunak yang dapat berubah bentuk dengan cara yang hampir tak terbatas.

    Peneliti MIT telah mengembangkan algoritme untuk membantu para insinyur merancang robot lunak yang mengumpulkan lebih banyak informasi berguna tentang lingkungan mereka. Algoritme pembelajaran mendalam menyarankan penempatan sensor yang dioptimalkan di dalam tubuh robot, memungkinkannya untuk berinteraksi lebih baik dengan lingkungannya dan menyelesaikan tugas yang diberikan. Kemajuan adalah langkah menuju otomatisasi desain robot. “Sistem tidak hanya mempelajari tugas yang diberikan, tetapi juga cara terbaik mendesain robot untuk menyelesaikan tugas itu,” kata Alexander Amini. “Penempatan sensor adalah masalah yang sangat sulit dipecahkan. Jadi, memiliki solusi ini sangat mengasyikkan. "

    Penelitian ini akan dipresentasikan pada Konferensi Internasional IEEE pada bulan April tentang Soft Robotics dan akan dipublikasikan di jurnal IEEE Robotics and Automation Letters . Penulis pendamping adalah Amini dan Andrew Spielberg, keduanya mahasiswa PhD di MIT Computer Science and Artificial Intelligence Laboratory (CSAIL). Rekan penulis lainnya termasuk mahasiswa PhD MIT Lillian Chin, dan profesor Wojciech Matusik dan Daniela Rus.

    Membuat robot lunak yang menyelesaikan tugas dunia nyata telah menjadi tantangan lama dalam robotika. Rekan kaku mereka memiliki keunggulan bawaan: rentang gerak terbatas. Rangkaian sendi dan anggota tubuh robot yang kaku biasanya membuat kalkulasi yang dapat dikelola oleh algoritme yang mengontrol pemetaan dan perencanaan gerakan. Robot lunak tidak begitu patuh.

    Robot bertubuh lunak fleksibel dan lentur - mereka umumnya lebih terasa seperti bola yang goyang daripada bola bowling. “Masalah utama dengan robot lunak adalah dimensi mereka yang tak terhingga,” kata Spielberg. "Titik mana pun pada robot bertubuh lunak dapat, secara teori, berubah bentuk dengan cara apa pun yang mungkin." Sehingga sulit untuk merancang robot lunak yang bisa memetakan lokasi bagian-bagian tubuhnya. Upaya sebelumnya telah menggunakan kamera eksternal untuk memetakan posisi robot dan memasukkan informasi itu kembali ke program kontrol robot. Tetapi para peneliti ingin membuat robot lunak yang terlepas dari bantuan eksternal.

    “Anda tidak dapat menempatkan sensor dalam jumlah tak terbatas pada robot itu sendiri,” kata Spielberg. "Jadi, pertanyaannya adalah: Berapa banyak sensor yang Anda miliki, dan di mana Anda meletakkan sensor tersebut untuk mendapatkan hasil maksimal?" Tim beralih ke pembelajaran mendalam untuk mendapatkan jawaban.

    Para peneliti mengembangkan arsitektur jaringan saraf baru yang mengoptimalkan penempatan sensor dan belajar menyelesaikan tugas secara efisien. Pertama, para peneliti membagi tubuh robot menjadi beberapa bagian yang disebut "partikel." Setiap tingkat regangan partikel diberikan sebagai masukan ke jaringan saraf. Melalui proses coba-coba, jaringan "mempelajari" urutan gerakan yang paling efisien untuk menyelesaikan tugas, seperti memegang objek dengan ukuran berbeda. Pada saat yang sama, jaringan melacak partikel mana yang paling sering digunakan, dan memilah partikel yang jarang digunakan dari rangkaian masukan untuk uji coba jaringan selanjutnya.

    Dengan mengoptimalkan partikel terpenting, jaringan juga menyarankan di mana sensor harus ditempatkan pada robot untuk memastikan kinerja yang efisien. Misalnya, dalam simulasi robot dengan tangan yang menggenggam, algoritme mungkin menyarankan bahwa sensor dipusatkan di dalam dan di sekitar jari, di mana interaksi yang dikontrol secara tepat dengan lingkungan sangat penting untuk kemampuan robot untuk memanipulasi objek. Meskipun mungkin tampak jelas, ternyata algoritme tersebut jauh mengungguli intuisi manusia dalam menentukan lokasi penempatan sensor.

    Para peneliti mengadu algoritma mereka dengan serangkaian prediksi ahli. Untuk tiga tata letak robot lunak yang berbeda, tim meminta ahli robot untuk secara manual memilih di mana sensor harus ditempatkan untuk memungkinkan penyelesaian tugas yang efisien seperti menangkap berbagai objek. Kemudian mereka menjalankan simulasi yang membandingkan robot yang disensor manusia dengan robot yang disensor algoritme. Dan hasilnya tidak mendekati. "Model kami jauh mengungguli manusia untuk setiap tugas, meskipun saya melihat beberapa badan robot dan merasa sangat yakin ke mana sensor harus pergi," kata Amini. “Ternyata ada lebih banyak seluk-beluk dalam masalah ini daripada yang kami perkirakan sebelumnya.”

    Spielberg mengatakan pekerjaan mereka dapat membantu mengotomatiskan proses desain robot. Selain mengembangkan algoritme untuk mengontrol gerakan robot, "kami juga perlu memikirkan tentang bagaimana kami akan menyensor robot ini, dan bagaimana hal itu akan berinteraksi dengan komponen lain dari sistem itu," katanya. Dan penempatan sensor yang lebih baik dapat memiliki aplikasi industri, terutama di mana robot digunakan untuk tugas-tugas yang bagus seperti menggenggam. “Itu adalah sesuatu di mana Anda membutuhkan indra peraba yang sangat kuat dan dioptimalkan dengan baik,” kata Spielberg. “Jadi, ada potensi dampak langsung.”

    "Mengotomatiskan desain robot lunak bersensor merupakan langkah penting untuk menciptakan alat cerdas dengan cepat yang membantu orang dengan tugas fisik," kata Rus. “Sensor adalah aspek penting dari proses, karena memungkinkan soft robot untuk" melihat "dan memahami dunia dan hubungannya dengan dunia.”

    Penelitian ini sebagian didanai oleh National Science Foundation dan Fannie and John Hertz Foundation.

    Sumber: https://news.mit.edu/2021/sensor-soft-robots-placement-0322

    No comments

    Post Top Ad

    Post Bottom Ad