软机器人具有弹性，柔韧性，可拉伸的主体，这些主体在任何给定时刻基本上可以无限次移动。从计算上讲，这表示一个非常复杂的“状态表示”，它描述了机器人各部分的运动方式。软机器人的状态表示可能具有数百万个维度，这使得很难计算出使机器人完成复杂任务的*佳方式。

 

        在下个月的神经信息处理系统会议上，麻省理工的研究人员将提出一个模型，该模型根据机器人及其环境的基本物理特性，学习紧凑的或“低维”的，详细的状态表示形式，这有助于模型迭代地优化满足特定任务的运动控制和材料设计参数。

 

        “软机器人是无穷维生物，可以在任何给定时刻给出十亿不同的方式。”**作者，同时是计算机科学与人工智能实验室的研究生（CSAIL）安德鲁·斯皮尔伯格说。“但是，实际上，软物体有自然的弯曲方式。我们发现，软机器人的自然状态可以在低维描述中非常紧凑地描述，我们通过学习良好的描述来优化软机器人的控制和设计可能的状态。”

 

        在仿真中，该模型使2-D和3-D软机器人能够比当前*新技术更快，更准确地完成任务，例如移动一定距离或到达目标位置。研究人员接下来计划在真正的软机器人中实施该模型。CSAIL的研究生Allan Zhao，Tao Du和Huyuanming是与Spielberg一同加入论文的研究人员。CSAIL总监Daniela Rus以及电机工程和计算机科学系的Andrew and Erna Viterbi教授；麻省理工电气工程与计算机科学副教授，计算制造小组负责人Wojciech Matusik对此都非常感兴趣。

 

“在环学习”

 

       软机器人技术是一个相对较新的研究领域，但它有希望对高级机器人技术产生革命性影响。例如，柔性车身可以提供与人类更安全的交互，更好的物体操纵和更大的可操纵性，以及其他好处。

 

       在仿真中对机器人的控制依赖于“观察者”，该程序计算变量以查看软机器人如何移动以完成任务。在以前的工作中，研究人员将软机器人分解为手工设计的模拟粒子簇。粒子包含重要信息，有助于缩小机器人的可能运动范围。例如，如果机器人试图以某种方式弯曲，执行器可能会抵抗该运动，以至于可以忽略不计。但是，对于这种复杂的机器人，在仿真过程中手动选择要跟踪的集群可能很棘手。

 

       在这项工作的基础上，研究人员设计了一种“循环中学习优化”方法，其中所有优化参数都是在许多模拟的单个反馈循环中学习的。并且，在学习优化（或“循环中”）的同时，该方法还学习状态表示。

 

优化更快

 

       依次将所有优化信息反馈到循环的起点，以训练自动编码器。在许多模拟中，控制器学习*佳运动和材料设计，而自动编码器学习越来越详细的状态表示。斯皮尔伯格说：“关键是我们希望低维状态具有很好的描述性。”

 

       机器人在设定的时间段内达到其模拟的*终状态（例如，尽可能接近目标位置）后，它将更新“损失函数”。这是机器学习的重要组成部分，它试图*大程度地减少一些错误。在这种情况下，它可以*大程度地减少机器人距目标的距离。该损失函数流回到控制器，该控制器使用误差信号调整所有优化的参数，以*好地完成任务。
了解相关资讯请点击：安川机器人

本文摘自：网络   日期：2019-11-25