アルゴリズムは、感知するソフトロボットを設計します

従来のロボット（剛性と金属の種類）では実行できないタスクがいくつかあります。ソフトボディのロボットは、人とより安全に対話したり、狭いスペースに簡単に滑り込んだりできる可能性があります。しかし、ロボットがプログラムされた任務を確実に完了するためには、ロボットは自分の体のすべての部分の所在を知る必要があります。これは、無限の方法で変形する可能性のあるソフトロボットにとって難しい作業です。

研究者は、エンジニアが周囲に関するより有用な情報を収集するソフトロボットを設計するのに役立つアルゴリズムを開発しました。深層学習アルゴリズムは、ロボットの体内にセンサーを最適化して配置することを提案し、ロボットが環境とより適切に相互作用し、割り当てられたタスクを完了することを可能にします。この進歩は、ロボット設計の自動化に向けた一歩です。システムは、特定のタスクを学習するだけでなく、そのタスクを解決するためにロボットを最適に設計する方法も学習します。

実世界のタスクを完了するソフトロボットを作成することは、ロボット工学における課題でした。リジッドロボットには、可動範囲が制限されているという利点が組み込まれています。剛体ロボットの関節と手足の有限配列は、通常、マッピングと動作計画を制御するアルゴリズムによる管理可能な計算を可能にします。ソフトロボットはそれほど扱いにくいです。

ソフトボディのロボットは柔軟性があり、しなやかです。一般的に、ボウリングボールというよりはスーパーボールのように感じます。ソフトボディのロボットの任意のポイントは、理論的には、可能な限り変形する可能性があります。そのため、体の部分の位置をマッピングできるソフトロボットを設計するのは困難です。これまでの取り組みでは、外部カメラを使用してロボットの位置をグラフ化し、その情報をロボットの制御プログラムにフィードバックしてきました。しかし、研究者たちは外部の援助から解放されたソフトロボットを作りたかったのです。

彼らは、センサーの配置を最適化し、タスクを効率的に完了することを学習する新しいニューラルネットワークアーキテクチャを開発しました。まず、ロボットの体を「パーティクル」と呼ばれる領域に分割しました。各粒子のひずみ速度は、ニューラルネットワークへの入力として提供されました。試行錯誤のプロセスを通じて、ネットワークは、さまざまなサイズのオブジェクトをつかむなどのタスクを完了するための最も効率的な一連の動きを「学習」します。同時に、ネットワークはどの粒子が最も頻繁に使用されているかを追跡し、ネットワークの後続の試行のために、使用頻度の低い粒子を一連の入力から選別します。

ネットワークは、最も重要な粒子を最適化することにより、効率的なパフォーマンスを確保するためにセンサーをロボットのどこに配置するかを提案します。握る手でシミュレートされたロボットでは、アルゴリズムは、センサーが指の中や周囲に集中していることを示唆している可能性があります。この場合、環境との正確に制御された相互作用は、ロボットがオブジェクトを操作する能力に不可欠です。当たり前のように思えるかもしれませんが、アルゴリズムは、センサーを配置する場所に関する人間の直感を大幅に上回っています。

この作業は、ロボット設計のプロセスを自動化するのに役立つ可能性があります。設計者は、ロボットの動きを制御するアルゴリズムを開発することに加えて、ロボットにセンサーを配置する方法と、それがそのシステムの他のコンポーネントとどのように相互作用するかについて考える必要があります。センサーの配置を改善すると、特にロボットがグリップなどの細かい作業に使用される産業用途に使用できる可能性があります。