如何设计和控制具有弹性的灵活身体的机器人

麻省理工学院的研究人员发明了一种方法，可以有效地优化用于目标任务的软机器人的控制和设计，这在传统上一直是计算的一项艰巨任务。

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移动无数种方式。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最佳方式。

在下个月的神经信息处理系统会议上，麻省理工学院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。

“那个弯在任何给定时刻十亿不同的方式，软机器人是无穷维生物”第一作者安德鲁·斯皮尔伯格，一说研究生的计算机科学与人工智能实验室(CSAIL)。“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州。”

在仿真中，该模型使2-D和3-D软机器人能够比当前最新技术更快，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也在纸上加入了Spielberg。CSAIL总监Daniela Rus以及电机工程和计算机科学专业的Andrew和Erna Viterbi教授;麻省理工学院电气工程和计算机科学副教授，计算制造小组负责人Wojciech Matusik。

“在环学习”

软机器人技术是一个相对较新的研究领域，但它对高级机器人技术有希望。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。在先前的工作中，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，那么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“在循环中”)的同时，该方法还学习状态表示。

该模型采用一种称为“材料点方法”(MPM)的技术，该技术可模拟被背景网格围绕的连续材料颗粒(例如泡沫和液体)的行为。这样，它无需任何额外的计算即可将机器人的粒子及其可观察的环境捕获为像素或3-D像素(称为体素)。

在学习阶段，该原始粒子网格信息被馈送到机器学习组件，该组件学习输入图像，将其压缩为低维表示，然后将表示解压缩回输入图像。如果此“自动编码器”在压缩输入图像时保留了足够的细节，则可以从压缩中准确地重新创建输入图像。