思想领袖

帮助软机器人理解周围环境的算法的开发

思想领袖安德鲁斯皮尔伯格和亚历山大·阿米尼机器人研究人员
计算机科学与人工智能实验室
麻省理工学院

软件机器人的开发可以受益于一种算法,该算法可以优化传感器的放置,从而让这些机器更好地“理解”它们的环境。麻省理工学院计算机科学与人工智能实验室(CSAIL)的博士生亚历山大·阿米尼(Alexander Amini)和安德鲁·斯皮尔伯格(Andrew Spielberg)开发了一种算法,帮助工程师布置传感器,优化软机器人设计。

你能给我们的读者介绍一下你最近的研究吗?

我们的研究重点是软机器人,一种新的”品种机器人界对机器人越来越感兴趣。刚性机器人具有具有离散关节的刚性骨架。相比之下,软机器人全身都很灵活,通常没有关节结构。刚性机器人可以非常紧凑地建模-你只需要知道机器人所有关节的状态来重建其姿态-而软机器人可以以多种不同的方式弯曲。

建模和模拟既困难,但软机器人都是困难的它们可以提供各种好处——它们可以让人类更安全地工作,在能量储存和释放方面更有效,可以拥有更强大的操纵抓地力,它们可以蜿蜒进入刚性机器人无法进入的区域。

当然,这些优势也带来了挑战。我们不仅很难对这些生物建模,而且这些机器人也很难对自己建模。就像人类依赖神经元来模拟我们的内部状态和我们在世界上的状态一样,软机器人也需要传感器来了解它们自己的状态和它们在世界上的状态。

不过,这些传感器的制造成本可能很高。因此,在这项研究中,我们试图同时回答两个问题:

1)如何解读应变传感器的输入,使软机器人尽可能地完成任务?

2)我们在哪里放置这些应变传感器,使软机器人最好的爆炸是他们的降压?

(a)模型的基础是粒子稀疏特征提取器(PSFE),它以输入完整的,密集的感觉信息(左)提取,并从输入的稀疏子集中提取全局特征表示(右)。该模型同时学习输入的该表示和稀疏性。由于输入是无序点云,PSFE还通过共享特征和点转换以及全局池操作维护订单不变性。该团队在各种复杂任务上使用PSFE:(b)从掌握数据监督对象特征的回归和分类。(c)通过将PSFE与变分解码器网络组合来学习了预言。(d)学习软机器人的控制政策。

这项研究对软体机器人的未来发展意味着什么?

我们希望我们的方法可以帮助软件机器人工程师在建造机器人时更好地确定传感器的位置。我们进行了一项用户研究,发现人类的直觉实际上在确定放置这些传感器的最佳位置方面相当差;人体植入比随机放置传感器的算法更糟糕。由于在软机器人中嵌入传感器也需要大量的工作,而且通常很难进行后期修改,我们希望这种算法能够简化并提高软机器人的性能。

软机器人任务与传感器布置的协同学习

软机器人任务与传感器布置的协同学习

确保传感器的准确放置有什么好处?

我们的软机器人可以通过在任务相关位置放置传感器来学习更好地解决特定的所需任务。例如,我们证明了识别物体形状的能力和软夹具抓住的物体的刚度,重建软机器的所有部件的世界状态(位置/速度),甚至执行闭环软机器人控制用于地点运动。而且,我们可以做出更好的准确性或性能,而不是随机或人类所选择的传感器展示。

你能给我们的读者提供关于算法研发的信息吗?

这是我们其中一个(安德鲁·斯皮尔伯格)在之前的一个项目/论文中产生的想法。在那篇论文中,”学习循环优化“我们查看了从(模拟的)相机饲料的软机器人学习的方法和控制器。它的传感器本身是外部的。如果您想使用该策略部署软机器人,您必须拥有一切都在遵循它的相机,将馈送到软机器人发送到它的原因,并选择下一个控制信号。这真的很麻烦,而不是我们设想软机器人将在现实世界中工作。我们有这个想法可能是我们可以使用船上应变传感器解决相同的任务。当然,开辟了有趣的共同设计问题 - 我们应该在哪里放置应变传感器来解决这些任务?

左:可视化传感器位置(大的绿色圆圈)对2D大象的影响,不同的传感器位置(列)超过5个样本姿态(行)。帧显示重建错误,除了显示的传感器关闭。较亮的颜色表示重建机器人(蓝色)与ground-truth(红色)的偏差较大。传感器能最大程度地降低邻近区域的重建误差。最右边的一列显示了所有五个传感器都被打开,产生了最好的重建效果。右:2D大象的潜在空间。列表示大象的不同潜在维度,由一个热潜在向量激活产生。每一列的潜在激活范围从−1.0到1.0。粒子越红,x表示伟德娱乐能体现速度越快;蓝色的粒子表示伟德娱乐能体现y轴的速度更高。

深度学习架构可以帮助解决哪些软机器人问题?

到目前为止,我们已经测试了掌握分类,国家重建和软机器的陆地运动问题的架构。由于我们的方法的普遍性较大,我们很高兴能够探索我们在更广泛的软机器人任务方面的更广泛的应用。

该算法如何协助机器人设计的自动化?

我们设想一个工作流,在这个工作流中,想要建造一个软机器人的人首先在模拟器中建模(除了传感器和控制器)。然后,我们的算法将自动产生一个控制器和传感器放置工程师。希望我们也可以将此算法扩展到其他软机器人设计方面,如形状或驱动器的放置。

有哪些潜力用于发展其他算法?

我们已经演示了如何在监督设置下学习传感器位置和用于一般软机器人任务的软机器人模型。将这个算法扩展到强化学习或其他半监督设置将是很有趣的。

麻省理工学院的团队下一步会做什么?

我们对在虚拟机器人上训练的算法的有效性感到兴奋,但真正的测试将在物理机器人上进行。我们很高兴看到我们的技术可以帮助实现不受束缚的软机器人,并提高软机器人在野外的表现。

读者在哪里可以找到更多的信息?

读者可以查看视频(和宣传视频).

关于安德鲁·斯皮尔伯格

安德鲁·斯皮尔伯格(Andrew Spielberg)从事制造和机器人技术的交叉工作,他创造的工具使用户能够快速设计、编程和制造刚性和柔性机器人。他试图让每个人都能使用数字制造和设计。Andrew在麻省理工学院CSAIL与Wojciech Matusik和Daniela Rus共同担任顾问。他的作品曾被ICRA、CHI和RoboSoft提名并获得最佳论文奖。他获得了工学硕士学位。他在康奈尔大学(Cornell University)获得计算机科学和工程物理学士学位,曾在迪士尼研究公司(Disney Research)和约翰霍普金斯大学(Johns Hopkins University)应用物理实验室(Applied physics Lab)工作。

关于亚历山大·阿米尼

亚历山大·阿米尼(Alexander Amini)是麻省理工学院计算机科学与人工智能实验室(CSAIL)的博士候选人,与Daniela Rus教授一起工作。他的研究重点是为自治系统的端到端控制(即驱动感知)构建可靠的机器学习算法,并为这些算法制定保证。他的工作涉及自动驾驶车辆的学习控制、深度神经网络的建立信心、人类移动性的数学建模,以及构建复杂惯性优化系统。除了研究之外,阿米尼还是麻省理工6的主要组织者和讲师。S191:深度学习导论,麻省理工学院深度学习的官方入门课程。Amini是美国国家科学基金会(NSF)研究生研究奖学金的获得者,在麻省理工学院(MIT)完成了电气工程和计算机科学的理学学士(B.S.)和理学硕士(M.S.),辅修数学。

免责声明:此处所表达的观点仅代表被采访者的观点,并不代表本网站的所有者和运营商AZoM.com Limited (T/A) azonnetwork的观点。本免责声明构成条款和条件使用本网站。

琼纽金特

写的

琼纽金特

琼毕业于曼彻斯特城市大学,电影和媒体研究二级甲等。在她学习期间,她作为一名学生笔记员,并继续在大学工作,毕业后,作为一名抄写员。琼以前在一家市场研究公司做校对。琼热爱电影和摄影,在她的业余时间,她喜欢做插图和练习书法。

引用

请使用以下格式之一在您的论文,纸张或报告中引用本文:

  • 美国心理学协会

    纽金特,琼。(2021年4月16日)。一种有助于软机器人了解周围环境的算法的开发。氮毒物菌。从//www.infoc8.com/article.aspx?articled=393检索到2021年5月29日。

  • MLA.

    纽金特,琼。“开发一种帮助软机器人了解周围环境的算法”。氮毒素.2021年5月29日。< //www.infoc8.com/Article.aspx?ArticleID=393 >。

  • 芝加哥

    纽金特,琼。“开发一种帮助软机器人了解周围环境的算法”。氮毒物菌。//www.infoc8.com/article.aspx?articled=393。(访问5月29,201)。

  • 哈佛大学

    纽金特,琼。2021。帮助软机器人理解周围环境的算法的开发.《AZoRobotics》,2021年5月29日观看,//www.infoc8.com/Article.aspx?ArticleID=393。

告诉我们你的想法

您是否有审核,更新或任何您想要添加到本文的内容?

留下您的反馈意见
提交