Algorithmus entwickelt weiche Roboter mit Sinn

Es gibt einige Aufgaben, die herkömmliche Roboter – die starren und metallischen – nicht ausführen können. Roboter mit weichem Körper können möglicherweise sicherer mit Menschen interagieren oder problemlos in enge Räume schlüpfen. Doch damit Roboter ihre programmierten Aufgaben zuverlässig erledigen können, müssen sie den Verbleib all ihrer Körperteile kennen. Das ist eine schwierige Aufgabe für einen weichen Roboter, der sich auf unendlich viele Arten verformen kann.

Forscher haben einen Algorithmus entwickelt, der Ingenieuren dabei helfen soll, weiche Roboter zu entwerfen, die nützlichere Informationen über ihre Umgebung sammeln. Der Deep-Learning-Algorithmus schlägt eine optimierte Platzierung von Sensoren im Körper des Roboters vor, sodass er besser mit seiner Umgebung interagieren und zugewiesene Aufgaben erledigen kann. Der Fortschritt ist ein Schritt in Richtung Automatisierung des Roboterdesigns. Das System lernt nicht nur eine bestimmte Aufgabe, sondern auch, wie der Roboter am besten konstruiert wird, um diese Aufgabe zu lösen.

Die Entwicklung von Soft-Robotern, die reale Aufgaben erledigen, war eine Herausforderung in der Robotik. Starre Roboter haben einen eingebauten Vorteil:einen begrenzten Bewegungsbereich. Die endliche Anordnung von Gelenken und Gliedmaßen starrer Roboter sorgt normalerweise für überschaubare Berechnungen durch die Algorithmen, die die Kartierung und Bewegungsplanung steuern. Weiche Roboter sind nicht so handhabbar.

Roboter mit weichem Körper sind flexibel und biegsam – sie fühlen sich im Allgemeinen eher wie ein Hüpfball als wie eine Bowlingkugel an. Jeder Punkt an einem Roboter mit weichem Körper kann sich theoretisch auf jede erdenkliche Weise verformen. Das macht es schwierig, einen weichen Roboter zu entwerfen, der die Position seiner Körperteile kartieren kann. Frühere Bemühungen haben eine externe Kamera verwendet, um die Position des Roboters aufzuzeichnen und diese Informationen wieder in das Steuerprogramm des Roboters einzuspeisen. Aber die Forscher wollten einen weichen Roboter erschaffen, der von externer Hilfe losgelöst ist.

Sie entwickelten eine neuartige neuronale Netzwerkarchitektur, die sowohl die Sensorplatzierung optimiert als auch lernt, Aufgaben effizient zu erledigen. Zuerst teilten sie den Körper des Roboters in Regionen ein, die „Partikel“ genannt wurden. Die Dehnungsrate jedes Partikels wurde als Eingabe für das neuronale Netzwerk bereitgestellt. Durch einen Trial-and-Error-Prozess „lernt“ das Netzwerk den effizientesten Bewegungsablauf, um Aufgaben wie das Greifen von Objekten unterschiedlicher Größe zu erledigen. Gleichzeitig verfolgt das Netzwerk, welche Partikel am häufigsten verwendet werden, und wählt die weniger verwendeten Partikel aus der Menge der Eingaben für die nachfolgenden Versuche des Netzwerks aus.

Durch die Optimierung der wichtigsten Partikel schlägt das Netzwerk auch vor, wo Sensoren am Roboter platziert werden sollten, um eine effiziente Leistung zu gewährleisten. Bei einem simulierten Roboter mit greifender Hand könnte der Algorithmus vorschlagen, dass Sensoren in und um die Finger herum konzentriert werden, wo präzise kontrollierte Interaktionen mit der Umgebung für die Fähigkeit des Roboters, Objekte zu manipulieren, von entscheidender Bedeutung sind. Das mag zwar offensichtlich erscheinen, aber es stellt sich heraus, dass der Algorithmus die Intuition der Menschen bei der Platzierung der Sensoren bei weitem übertroffen hat.

Die Arbeit könnte helfen, den Prozess des Roboterdesigns zu automatisieren. Zusätzlich zur Entwicklung von Algorithmen zur Steuerung der Bewegungen eines Roboters müssen Designer darüber nachdenken, wie Sensoren an Robotern angebracht werden und wie diese mit anderen Komponenten dieses Systems zusammenspielen. Eine bessere Sensorplatzierung könnte industrielle Anwendungen haben, insbesondere dort, wo Roboter für feine Aufgaben wie das Greifen eingesetzt werden.