Neuer Algorithmus ermöglicht selbstwahrnehmende Weichroboter für zuverlässige Aufgaben

Es gibt Aufgaben, die traditionelle Roboter – die starren, metallischen Art – nicht ausführen können. Weichkörperroboter könnten sicherer mit Menschen interagieren oder mit Leichtigkeit in enge Räume schlüpfen. Aber damit Roboter ihre programmierten Pflichten zuverlässig erfüllen können, müssen sie den Verbleib all ihrer Körperteile kennen. Das ist eine schwierige Aufgabe für einen Weichroboter, der sich auf unendlich viele Arten verformen kann.

Forscher haben einen Algorithmus entwickelt, der Ingenieuren hilft, Weichroboter 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 Umwelt interagieren und zugewiesene Aufgaben erledigen kann. Der Fortschritt ist ein Schritt in Richtung Automatisierung des Robotdesigns. Das System lernt nicht nur eine gegebene Aufgabe, sondern auch, wie der Roboter am besten gestaltet wird, um diese Aufgabe zu lösen.

Die Erstellung von Weichrobotern, 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 macht normalerweise handhabbare Berechnungen für die Algorithmen, die Mapping und Bewegungsplanung steuern. Weichroboter sind nicht so handhabbar.

Weichkörperroboter sind flexibel und nachgiebig – sie fühlen sich allgemein mehr wie ein Gummiball an als wie eine Bowlingkugel. Jeder Punkt an einem Weichkörperroboter kann sich theoretisch auf jede mögliche Weise verformen. Das macht es schwierig, einen Weichroboter zu entwerfen, der den Standort seiner Körperteile kartieren kann. Bisherige Bemühungen nutzten eine externe Kamera, um die Position des Roboters zu kartieren und diese Informationen in das Steuerprogramm des Roboters zurückzuspeisen. Aber die Forscher wollten einen Weichroboter schaffen, der ohne externe Hilfe auskommt.

Sie entwickelten eine neuartige neuronale Netzwerkarchitektur, die sowohl die Sensorplatzierung optimiert als auch lernt, Aufgaben effizient zu erledigen. Zunächst teilten sie den Körper des Roboters in Bereiche ein, die "Partikel" genannt werden. Die Dehnungsrate jedes Partikels wurde als Eingabe für das neuronale Netzwerk bereitgestellt. Durch einen Prozess aus Versuch und Irrtum "lernt" das Netzwerk die effizienteste Bewegungssequenz, um Aufgaben zu erledigen, wie das Greifen von Objekten unterschiedlicher Größe. Gleichzeitig behält das Netzwerk im Auge, welche Partikel am häufigsten verwendet werden, und entfernt die weniger genutzten Partikel aus der Eingabemenge für die nachfolgenden Versuche des Netzwerks.

Durch die Optimierung der wichtigsten Partikel schlägt das Netzwerk auch vor, wo Sensoren am Roboter platziert werden sollten, um effiziente Leistung zu gewährleisten. Bei einem simulierten Roboter mit einer Greifhand könnte der Algorithmus vorschlagen, dass Sensoren in und um die Finger konzentriert werden, wo präzise kontrollierte Interaktionen mit der Umwelt für die Fähigkeit des Roboters, Objekte zu manipulieren, entscheidend sind. Obwohl das offensichtlich erscheinen mag, stellt sich heraus, dass der Algorithmus die menschliche Intuition, wo die Sensoren platziert werden sollten, bei weitem übertrifft.

Die Arbeit könnte helfen, den Prozess des Robotdesigns zu automatisieren. Neben der Entwicklung von Algorithmen zur Steuerung der Roboterbewegungen müssen Designer darüber nachdenken, wie Sensoren auf Robotern platziert werden und wie das mit anderen Komponenten dieses Systems zusammenspielt. Bessere Sensorplatzierung könnte industrielle Anwendungen haben, besonders dort, wo Roboter für feine Aufgaben wie Greifen eingesetzt werden.