Novo Algoritmo Permite Robôs Macios Auto-Sensoriais para Tarefas Confiáveis

Existem algumas tarefas que robôs tradicionais — o tipo rígido e metálico — não podem realizar. Robôs de corpo macio podem interagir com pessoas de forma mais segura ou deslizar em espaços apertados com facilidade. Mas para que robôs completem confiavelmente seus deveres programados, eles precisam saber a localização de todas as suas partes do corpo. Essa é uma tarefa difícil para um robô macio que pode se deformar de um número infinito de maneiras.

Pesquisadores desenvolveram um algoritmo para ajudar engenheiros a projetar robôs macios que coletam informações mais úteis sobre seu ambiente. O algoritmo de deep learning sugere uma colocação otimizada de sensores dentro do corpo do robô, permitindo que ele interaja melhor com seu ambiente e complete tarefas atribuídas. O avanço é um passo em direção à automação do design de robôs. O sistema não apenas aprende uma tarefa dada, mas também como melhor projetar o robô para resolver essa tarefa.

Criar robôs macios que completem tarefas do mundo real tem sido um desafio na robótica. Robôs rígidos têm uma vantagem embutida: uma gama limitada de movimento. O array finito de juntas e membros de robôs rígidos geralmente torna os cálculos gerenciáveis pelos algoritmos que controlam mapeamento e planejamento de movimento. Robôs macios não são tão tratáveis.

Robôs de corpo macio são flexíveis e maleáveis — geralmente sentem mais como uma bola saltitante do que uma bola de boliche. Qualquer ponto em um robô de corpo macio 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 passados usaram uma câmera externa para traçar a posição do robô e alimentar essa informação de volta ao programa de controle do robô. Mas os pesquisadores queriam criar um robô macio livre de ajuda externa.

Eles desenvolveram uma nova arquitetura de rede neural que otimiza a colocação de sensores e aprende a completar tarefas eficientemente. Primeiro, dividiram o corpo do robô em regiões chamadas "partículas". A taxa de deformação de cada partícula foi fornecida como entrada para a rede neural. Através de um processo de tentativa e erro, a rede "aprende" a sequência mais eficiente de movimentos para completar tarefas, como agarrar objetos de diferentes tamanhos. Ao mesmo tempo, a rede acompanha quais partículas são usadas com mais frequência e remove 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 desempenho eficiente. Em um robô simulado com uma mão de agarrar, o algoritmo pode sugerir que sensores sejam concentrados em torno dos dedos, onde interações precisamente controladas com o ambiente são vitais para a capacidade do robô de manipular objetos. Embora isso pareça óbvio, o algoritmo superou vastamente a intuição humana sobre onde colocar os sensores.

O trabalho pode ajudar a automatizar o processo de design de robôs. Além de desenvolver algoritmos para controlar os movimentos de um robô, designers precisam pensar em como colocar sensores em robôs e como isso interagirá com outros componentes desse sistema. Melhor colocação de sensores pode ter aplicações industriais, especialmente onde robôs são usados para tarefas finas como agarrar.