Algoritmo diseña robots blandos que detectan

Hay algunas tareas que los robots tradicionales, los rígidos y metálicos, no pueden realizar. Los robots de cuerpo blando pueden interactuar con las personas de manera más segura o deslizarse en espacios reducidos con facilidad. Pero para que los robots completen de manera confiable sus tareas programadas, necesitan conocer el paradero de todas las partes de su cuerpo. Esa es una tarea difícil para un robot blando que puede deformarse de infinitas maneras.

Los investigadores han desarrollado un algoritmo para ayudar a los ingenieros a diseñar robots blandos que recopilan información más útil sobre su entorno. El algoritmo de aprendizaje profundo sugiere una ubicación optimizada de sensores dentro del cuerpo del robot, lo que le permite interactuar mejor con su entorno y completar las tareas asignadas. El avance es un paso hacia la automatización del diseño de robots. El sistema no solo aprende una tarea determinada, sino también cómo diseñar mejor el robot para resolver esa tarea.

Crear robots blandos que completen tareas del mundo real ha sido un desafío en robótica. Los robots rígidos tienen una ventaja incorporada:un rango de movimiento limitado. El conjunto finito de articulaciones y extremidades de los robots rígidos generalmente hace que los cálculos sean manejables por los algoritmos que controlan el mapeo y la planificación del movimiento. Los robots blandos no son tan manejables.

Los robots de cuerpo blando son flexibles y flexibles; por lo general, se sienten más como una pelota que rebota que como una bola de boliche. Cualquier punto de un robot de cuerpo blando puede, en teoría, deformarse de cualquier forma posible. Eso hace que sea difícil diseñar un robot blando que pueda mapear la ubicación de las partes de su cuerpo. Los esfuerzos anteriores han utilizado una cámara externa para trazar la posición del robot y devolver esa información al programa de control del robot. Pero los investigadores querían crear un robot blando sin ataduras a la ayuda externa.

Desarrollaron una arquitectura de red neuronal novedosa que optimiza la ubicación del sensor y aprende a completar tareas de manera eficiente. Primero, dividieron el cuerpo del robot en regiones llamadas "partículas". La tasa de tensión de cada partícula se proporcionó como entrada a la red neuronal. A través de un proceso de prueba y error, la red “aprende” la secuencia de movimientos más eficiente para completar tareas, como agarrar objetos de diferentes tamaños. Al mismo tiempo, la red realiza un seguimiento de las partículas que se utilizan con mayor frecuencia y selecciona las partículas menos utilizadas del conjunto de entradas para las pruebas posteriores de las redes.

Al optimizar las partículas más importantes, la red también sugiere dónde deben colocarse los sensores en el robot para garantizar un rendimiento eficiente. En un robot simulado con una mano que agarra, el algoritmo podría sugerir que los sensores se concentren en y alrededor de los dedos, donde las interacciones controladas con precisión con el entorno son vitales para la capacidad del robot para manipular objetos. Si bien eso puede parecer obvio, resulta que el algoritmo superó ampliamente la intuición de los humanos sobre dónde ubicar los sensores.

El trabajo podría ayudar a automatizar el proceso de diseño de robots. Además de desarrollar algoritmos para controlar los movimientos de un robot, los diseñadores deben pensar en cómo colocar sensores en los robots y cómo interactuarán con otros componentes de ese sistema. Una mejor ubicación del sensor podría tener aplicaciones industriales, especialmente donde los robots se usan para tareas delicadas como el agarre.