Algoritmo projeta robôs macios que fazem sentido

Existem algumas tarefas que os robôs tradicionais – do tipo rígido e metálico – não conseguem realizar. Robôs de corpo mole podem interagir com pessoas com mais segurança ou deslizar em espaços apertados com facilidade. Mas para que os robôs completem suas tarefas programadas de forma confiável, eles precisam saber o paradeiro de todas as partes de seus corpos. Essa é uma tarefa difícil para um robô macio que pode se deformar de infinitas maneiras.

Pesquisadores desenvolveram um algoritmo para ajudar engenheiros a projetar robôs macios que coletam informações mais úteis sobre seus arredores. O algoritmo de aprendizado profundo sugere um posicionamento otimizado de sensores dentro do corpo do robô, permitindo que ele interaja melhor com seu ambiente e conclua as tarefas atribuídas. O avanço é um passo em direção à automação do design de robôs. O sistema não apenas aprende uma determinada tarefa, mas também a melhor forma de projetar o robô para resolver essa tarefa.

Criar robôs macios que completam tarefas do mundo real tem sido um desafio na robótica. Robôs rígidos têm uma vantagem embutida:uma amplitude de movimento limitada. A matriz finita de articulações e membros dos robôs rígidos geralmente permite cálculos gerenciáveis ​​pelos algoritmos que controlam o mapeamento e o planejamento de movimento. Robôs macios não são tão tratáveis.

Robôs de corpo mole são flexíveis e flexíveis – eles geralmente se parecem mais com uma bola saltitante do que uma bola de boliche. Qualquer ponto em um robô de corpo mole pode, em teoria, se deformar de qualquer maneira possível. Isso torna difícil projetar um robô macio que possa mapear a localização de suas partes do corpo. Esforços anteriores usaram uma câmera externa para mapear a posição do robô e alimentar essas informações de volta ao programa de controle do robô. Mas os pesquisadores queriam criar um robô macio sem ajuda externa.

Eles desenvolveram uma nova arquitetura de rede neural que otimiza o posicionamento do sensor e aprende a concluir tarefas com eficiência. Primeiro, eles dividiram o corpo do robô em regiões chamadas “partículas”. A taxa de deformação de cada partícula foi fornecida como uma entrada para a rede neural. Por meio de um processo de tentativa e erro, a rede “aprende” a sequência de movimentos mais eficiente para completar tarefas, como segurar objetos de diferentes tamanhos. Ao mesmo tempo, a rede mantém o controle de quais partículas são usadas com mais frequência e seleciona as partículas menos usadas do conjunto de entradas para os testes subsequentes da rede.

Ao otimizar as partículas mais importantes, a rede também sugere onde os sensores devem ser colocados no robô para garantir um desempenho eficiente. Em um robô simulado com uma mão segurando, o algoritmo pode sugerir que os sensores sejam concentrados dentro e ao redor dos dedos, onde as interações controladas com precisão com o ambiente são vitais para a capacidade do robô de manipular objetos. Embora isso possa parecer óbvio, acontece que o algoritmo superou amplamente a intuição dos humanos sobre onde posicionar os sensores.

O trabalho pode ajudar a automatizar o processo de projeto de robôs. Além de desenvolver algoritmos para controlar os movimentos de um robô, os designers precisam pensar em como colocar sensores em robôs e como isso irá interagir com outros componentes desse sistema. Um melhor posicionamento do sensor pode ter aplicações industriais, especialmente onde os robôs são usados ​​para tarefas finas, como agarrar.