深度学习技术优化了机器人身体上传感器的布置，以确保高效运行。有些任务是传统机器人——刚性和金属机器人——根本无法胜任的。另一方面，软体机器人可能能够更安全地与人互动或轻松滑入狭小的空间。但要让机器人可靠地完成其编程任务，它们需要知道其所有身体部位的下落。对于可以以几乎无限多种方式变形的软机器人来说，这是一项艰巨的任务。

麻省理工学院的研究人员开发了一种深度学习神经网络来帮助设计软体机器人，例如机器大象的这些迭代。插图由麻省理工学院的研究人员提供

麻省理工学院的研究人员开发了一种算法来帮助工程师设计软机器人，以收集有关其周围环境的更多有用信息。深度学习算法建议在机器人体内优化放置传感器，使其能够更好地与其环境交互并完成分配的任务。这一进步是迈向机器人设计自动化的一步。“该系统不仅学习给定的任务，还学习如何最好地设计机器人来解决该任务，”亚历山大·阿米尼说。“传感器放置是一个非常难以解决的问题。所以，拥有这个解决方案是非常令人兴奋的。”

该研究将在 4 月份的 IEEE 国际软机器人会议上发表，并将发表在 IEEE Robotics and Automation Letters 杂志上。共同主要作者是 Amini 和 Andrew Spielberg，他们都是麻省理工学院计算机科学和人工智能实验室 (CSAIL) 的博士生。其他合著者包括麻省理工学院博士生 Lillian Chin，以及 Wojciech Matusik 和 Daniela Rus 教授。

创建能够完成现实世界任务的软机器人一直是机器人领域的一项长期挑战。它们的刚性对应物有一个内在的优势：运动范围有限。刚性机器人的关节和肢体的有限阵列通常通过控制映射和运动规划的算法进行可管理的计算。软机器人就不那么容易处理了。

软体机器人既灵活又柔韧——它们通常感觉更像是一个有弹性的球，而不是保龄球。“软机器人的主要问题是它们是无限维度的，”斯皮尔伯格说。“理论上，软体机器人上的任何一点都可以以任何可能的方式变形。” 这使得设计一个可以映射其身体部位位置的软机器人变得困难。过去的努力是使用外部摄像头来绘制机器人的位置并将该信息反馈到机器人的控制程序中。但研究人员想要创造一个不受外部援助束缚的软机器人。

“你不能在机器人本身上放置无限数量的传感器，”斯皮尔伯格说。“所以，问题是：你有多少个传感器，你把这些传感器放在哪里才能获得最大的收益?” 该团队转向深度学习寻求答案。

研究人员开发了一种新颖的神经网络架构，既可以优化传感器放置，又可以学习高效完成任务。首先，研究人员将机器人的身体分成称为“粒子”的区域。每个粒子的应变率作为输入提供给神经网络。通过反复试验的过程，网络“学习”完成任务的最有效动作序列，例如抓取不同大小的物体。同时，网络会跟踪哪些粒子最常使用，并从网络后续试验的输入集中剔除较少使用的粒子。

通过优化最重要的粒子，网络还建议应该在机器人上放置传感器的位置，以确保高效的性能。例如，在具有抓握手的模拟机器人中，算法可能会建议将传感器集中在手指内和手指周围，其中与环境的精确控制交互对于机器人操纵物体的能力至关重要。虽然这看起来很明显，但事实证明，该算法在放置传感器的位置上远远超过了人类的直觉。

研究人员将他们的算法与一系列专家预测进行了对比。对于三种不同的软机器人布局，该团队要求机器人专家手动选择应放置传感器的位置，以高效完成抓取各种物体等任务。然后他们进行了模拟，将人类感应机器人与算法感应机器人进行比较。结果并不接近。“我们的模型在每项任务上的表现都大大优于人类，尽管我看了一些机器人的身体并且对传感器应该去哪里非常有信心，”阿米尼说。“事实证明，这个问题比我们最初预期的要微妙得多。”

斯皮尔伯格表示，他们的工作有助于实现机器人设计过程的自动化。除了开发控制机器人运动的算法外，“我们还需要考虑如何感知这些机器人，以及这将如何与该系统的其他组件相互作用，”他说。更好的传感器放置可以用于工业应用，尤其是在机器人用于抓握等精细任务的情况下。“这就是你需要非常强大、优化良好的触觉的地方，”斯皮尔伯格说。“因此，有可能立即产生影响。”

“自动化传感软机器人的设计是朝着快速创建帮助人们完成体力任务的智能工具迈出的重要一步，”Rus 说。“传感器是该过程的一个重要方面，因为它们使软机器人能够“看到”并理解世界及其与世界的关系。”

标签：