新アルゴリズムで自己センシング型ソフトロボットを実現、信頼性の高いタスク遂行へ

従来のロボット（剛体で金属製）では実行できないタスクがあります。ソフトボディロボットなら、人とより安全に相互作用できたり、狭い隙間に容易に入り込めたりします。しかし、ロボットがプログラムされた任務を確実に完遂するには、自分の全身の部位がどこにあるかを知る必要があります。無限の変形が可能なソフトロボットにとって、これは難しい課題です。

研究者たちは、エンジニアがより有用な環境情報を収集するソフトロボットを設計できるよう支援するアルゴリズムを開発しました。このディープラーニングアルゴリズムは、ロボット本体内のセンサー最適配置を提案し、環境との相互作用とタスク遂行を向上させます。この進歩は、ロボット設計の自動化への一歩です。システムは与えられた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どう設計すべきかも学習します。

現実世界のタスクを完遂するソフトロボットの開発は、ロボティクスにおける課題でした。剛体ロボットには、可動範囲が限定されているという組み込みの利点があります。剛体ロボットの有限な関節とリンクの配列は、マッピングとモーションプランニングを制御するアルゴリズムにとって、通常管理可能な計算をもたらします。ソフトロボットはそうではありません。

ソフトボディロボットは柔軟で柔らかく、一般的にボーリングボールよりバウンシーボールに近い感触です。ソフトボディロボットの任意の点は、理論上あらゆる可能な方法で変形し得ます。そのため、自分の身体部位の位置をマッピングできるソフトロボットの設計は困難です。過去の取り組みでは、外部カメラでロボットの位置を把握し、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いました。しかし研究者たちは、外部支援から自由なソフトロボットの創造を目指しました。

彼らは、センサー配置を最適化しつつ効率的なタスク遂行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、ロボットの身体を「粒子」と呼ばれる領域に分割。各粒子の歪み率をニューラルネットワークへの入力としました。試行錯誤のプロセスを通じて、ネットワークは異なるサイズの物体を把持するなどのタスクを完遂する最も効率的な動作シーケンスを「学習」します。同時に、ネットワークは最も頻繁に使用される粒子を追跡し、その後の試行でのネットワーク入力セットから使用頻度の低い粒子を除外していきます。

最も重要な粒子を最適化することで、ネットワークはロボットのどこにセンサーを配置すれば効率的な性能が得られるかも提案します。把持ハンドを持つシミュレートロボットでは、アルゴリズムが指先とその周辺にセンサーを集中させるよう提案するかもしれません。そこは環境との精密な相互作用がロボットの物体操作能力に不可欠だからです。これは当然に思えますが、アルゴリズムはセンサー配置場所についての人間の直感を大きく上回る性能を示しました。

この成果は、ロボット設計プロセスの自動化に貢献する可能性があります。ロボットの動きを制御するアルゴリズム開発に加え、設計者はセンサーをロボットのどこに配置し、それがシステムの他コンポーネントとどう相互作用するかを考える必要があります。より良いセンサー配置は、把持などの微細なタスクにロボットを使用する産業分野で特に応用が期待されます。