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·阿米尼机器人技术研究人员
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。博士MIT计算机科学和人工智能实验室(CSAIL)的学生,亚历山大Amini和Andrew Spielberg开发了一种算法,帮助工程师进行传感器放置,以优化软机器人设计。

您可以让读者概述您最近的研究吗?

我们的研究重点是软机器人,一种新的”品种“机器人在机器人社区兴趣的兴趣。刚性机器人具有刚性骨架,带有离散关节。相比之下,软机器在它们的身体上是柔性的,并且通常没有接合结构。虽然刚性机器人可以非常紧凑地模仿 -您只需要了解机器人所有关节的状态,以重建其姿势 - 软机器人可以以多种不同的方式弯曲。

建模和仿真都很困难,但都是软机器人提供各种益处 - 他们可以对人类进行更安全,更有效率在储能和释放方面,可以有更强大的操纵握把,它们可以进入刚性机器人的地区的蜿蜒。

当然,随着这些优势的挑战。这些生物不仅对我们来说很难模拟,但这些机器人难以模仿自己。以同样的方式使人类依赖神经元来模拟我们在世界上的内部状态和我们的国家,软机器需要传感器来了解自己的国家及其国家。

然而,这些传感器可能是昂贵的制造。因此,在这项工作中,我们寻求同时回答两个问题:

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?

我们应该把这些应变传感器放在哪里,让软机器人得到最大的实惠?

(a)模型的基础是一个粒子稀疏特征提取器(PSFE),它将完整、密集的感觉信息(左)作为输入,并从输入的一个稀疏子集中提取全局特征表示(右)。该模型同时学习了输入的表示和稀疏化。由于输入是一个无序点云,PSFE还通过共享特征和点转换以及全局池化操作来保持阶不变性。该团队在各种复杂任务中使用PSFE: (b)从抓取数据中监督回归和对象特征分类。(c)通过将PSFE与变分译码网络结合学习本体感觉。(d)学习软机器人的控制策略。

这项研究对软机器人开发的未来意味着什么?

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

确保精确的传感器放置有哪些好处?

我们的软机器人可以通过在与任务相关的位置放置传感器来学习解决特定的需要的任务。例如,我们展示了改进的识别物体形状和被软爪抓住的物体刚度的能力,重建所有软机器人的世界状态(位置/速度),甚至对地面运动执行软机器人闭环控制。我们能以比随机或人为选择的传感器更好的精度或性能完成所有这些。

你能给我们的读者提供关于算法研发的信息吗?

这是一个想法,以前的一个项目/纸张从我们(安德鲁斯皮尔伯格)工作过的前一个项目/纸上。在那篇文章中,“Learning-In-The-Loop优化,“我们研究了通过(模拟的)摄像机来学习软机器人本体感受模型和控制器的方法。它的传感器在机器人自身的外部。如果你想使用这种策略部署一个软机器人,你必须有一个摄像头一直跟着它,把反馈信息传送给软机器人,让它思考并选择下一个控制信号。这真的很麻烦,也不是我们想象中的软机器人在现实世界中的工作方式。我们有这样的想法,我们可能可以用机载应变传感器来解决同样的任务。当然,这就引出了一个有趣的协同设计问题——我们应该把应变传感器放在哪里来解决这些任务?

剩下: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,我们已经在软体机器人的抓握分类、状态重建和地面运动问题上测试了我们的架构。由于我们的方法具有很大的通用性,我们很高兴能在更广泛的软机器人任务中探索我们的方法的更广泛的应用。

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。

其他算法的发展有什么潜力?

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?

我们通过算法在虚拟机器人上培训的算法的效果来兴奋,但实际测试将在物理机器人身上。我们很高兴看到我们的技术如何有助于启用不受限制的软机器人,并在野外提高软机器人的性能。

读者在哪里可以找到更多的信息?

读者可以查阅视频(和宣传视频)。

关于Andrew Spielberg.

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Amini

亚历山大·阿米尼是博士学位。马萨诸塞州理工学院的候选人,在计算机科学和人工智能实验室(CSAIL),与Daniela Rus教授。他的研究侧重于建立自主系统的端到端控制的可靠机器学习算法(即,对致动)进行自主系统和制定这些算法的保证。他的工作已经跨越自治车辆的学习控制,制定对深神经网络的信心,人类流动性的数学建模,以及构建复杂的惯性细化系统。除了研究外,Amini还是MIT 6.S191的铅组织者和讲师:深度学习引入,麻省理工学院的深度学习官方介绍性课程。Amini是NSF研究生研究奖学金的收件人,并完成了他在MIT的电气工程和计算机科学中获得了科学学士(B.S.)和科学硕士(M.S.)。

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本网站的使用。

琼纽金特

写道

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

请在你的文章、论文或报告中使用下列格式之一来引用这篇文章:

  • APA

    纽金特,琼。(2021年4月16日)。帮助软机器人理解周围环境的算法的开发。AZoRobotics。2021年5月13日从//www.infoc8.com/Article.aspx?ArticleID=393获取。

  • MLA

    纽金特,琼。“开发一种帮助软机器人了解周围环境的算法”。AZoRobotics。2021年5月13日。

  • 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”。AZoRobotics。//www.infoc8.com/article.aspx?articled=393。(访问5月13,2021)。

  • 哈佛

    纽金特,琼。2021。帮助软机器人理解周围环境的算法的开发。奥兹罗obotics查看了2021年5月13日,//www.infoc8.com/article.aspx?articled=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?

离开你的反馈
提交