감지하는 소프트 로봇을 설계하는 알고리즘

기존 로봇(강성 및 금속성 로봇)이 수행할 수 없는 몇 가지 작업이 있습니다. 연약한 로봇은 사람들과 더 안전하게 상호 작용하거나 좁은 공간에 쉽게 미끄러질 수 있습니다. 그러나 로봇이 프로그래밍된 임무를 안정적으로 완료하려면 모든 신체 부위의 위치를 ​​알아야 합니다. 무한한 방법으로 변형할 수 있는 소프트 로봇에게는 어려운 작업입니다.

연구원들은 엔지니어가 주변 환경에 대한 보다 유용한 정보를 수집하는 소프트 로봇을 설계하는 데 도움이 되는 알고리즘을 개발했습니다. 딥 러닝 알고리즘은 로봇의 몸 안에 최적화된 센서 배치를 제안하여 로봇이 환경과 더 잘 상호 작용하고 할당된 작업을 완료할 수 있도록 합니다. 이러한 발전은 로봇 설계의 자동화를 향한 한 걸음입니다. 시스템은 주어진 작업을 학습할 뿐만 아니라 해당 작업을 해결하기 위해 로봇을 가장 잘 설계하는 방법도 학습합니다.

실제 작업을 완료하는 소프트 로봇을 만드는 것은 로봇 공학의 도전이었습니다. 강성 로봇에는 제한된 동작 범위라는 기본 제공 이점이 있습니다. 리지드 로봇의 유한한 관절과 팔다리 배열은 일반적으로 매핑 및 모션 계획을 제어하는 ​​알고리즘으로 관리 가능한 계산을 만듭니다. 소프트 로봇은 다루기 쉽지 않습니다.

연체 로봇은 유연하고 유연합니다. 일반적으로 볼링 공보다 탄력 있는 공처럼 느껴집니다. 소프트 바디 로봇의 모든 지점은 이론적으로 가능한 어떤 방식으로든 변형될 수 있습니다. 따라서 신체 부위의 위치를 ​​매핑할 수 있는 소프트 로봇을 설계하기가 어렵습니다. 과거의 노력은 외부 카메라를 사용하여 로봇의 위치를 ​​​​차트하고 해당 정보를 로봇의 제어 프로그램에 다시 제공했습니다. 하지만 연구원들은 외부의 도움 없이 부드러운 로봇을 만들고 싶었습니다.

그들은 센서 배치를 최적화하고 작업을 효율적으로 완료하는 방법을 배우는 새로운 신경망 아키텍처를 개발했습니다. 먼저 로봇의 몸을 "입자"라고 하는 영역으로 나눴습니다. 각 입자의 변형률은 신경망에 대한 입력으로 제공되었습니다. 시행착오의 과정을 통해 네트워크는 다양한 크기의 물체를 잡는 것과 같은 작업을 완료하기 위해 가장 효율적인 움직임 순서를 "학습"합니다. 동시에 네트워크는 가장 자주 사용되는 입자를 추적하고 네트워크의 후속 시도를 위해 입력 세트에서 덜 사용되는 입자를 컬링합니다.

네트워크는 가장 중요한 입자를 최적화함으로써 효율적인 성능을 보장하기 위해 로봇의 어디에 센서를 배치해야 하는지도 제안합니다. 손을 잡는 시뮬레이션 로봇에서 알고리즘은 센서가 손가락과 손가락 주위에 집중되도록 제안할 수 있습니다. 여기서 환경과의 정밀하게 제어되는 상호 작용은 로봇의 물체 조작 능력에 매우 중요합니다. 당연한 것처럼 보일 수 있지만 알고리즘은 센서를 배치할 위치에 대한 인간의 직관을 훨씬 능가했습니다.

이 작업은 로봇 설계 프로세스를 자동화하는 데 도움이 될 수 있습니다. 로봇의 움직임을 제어하는 ​​알고리즘을 개발하는 것 외에도 설계자는 로봇에 센서를 배치하는 방법과 해당 시스템의 다른 구성 요소와 상호 작용하는 방법에 대해 생각해야 합니다. 더 나은 센서 배치는 특히 로봇이 그리핑과 같은 정밀 작업에 사용되는 산업 분야에서 사용될 수 있습니다.