优化软机器人以执行特定任务是一个巨大的计算问题

原标题：优化软机器人以执行特定任务是一个巨大的计算问题

麻省理工学院的研究人员发明了一种方法，可以有效优化用于目标任务的软机器人的控制和设计，这在传统上是一项艰巨的任务。

软体机器人具有弹性、柔性和可拉伸的身体，基本上可以在任何给定的时间以无数种方式移动。在计算方面，这代表了一种非常复杂的“状态表示”，它描述了机器人各个部分的运动模式。软机器人的状态表示可能有数百万个维度，这使得机器人完成复杂任务的最佳方式难以计算。

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，该模型将根据机器人及其环境的基本物理特征，学习紧凑或“低维”的详细状态表示。这有助于模型迭代优化运动控制和材料设计参数，以满足特定任务。

第一作者安德鲁斯皮尔伯格是计算机科学和人工智能实验室(CSAIL)的研究生，他说：“软机器人是无限维的生物，在任何给定的时刻都会以十亿种不同的方式弯曲。“但是，事实上，柔软的物体可能会自然弯曲。我们发现软机器人的自然状态可以用低维描述来简洁地描述。通过学习对可能状态的良好描述，我们优化了软机器人的控制和设计。”

在仿真中，该模型使2D和三维软机器人能够比最新技术更快、更准确地完成任务，例如移动一定距离或到达目标位置。接下来，研究人员计划在真正的软机器人中实现该模型。

CSAIL的研究生赵艾伦、杜涛、胡元明和斯皮尔伯格一起加入了本文。CSAIL主任Daniela Rus和电气工程和计算机科学系的Andrew和Erna Viterbi教授；Wojciech Matusik，麻省理工学院电气工程和计算机科学副教授，计算制造组组长。

“在擂台上学习”

软机器人技术是一个相对较新的研究领域，但对于先进的机器人技术来说是很有前途的。例如，灵活的车身可以提供与人类更安全的互动，更好的物体操纵和更大的机动性，以及其他好处。

在仿真中，机器人的控制依赖于一个“观测器”，它是一个计算变量的程序，可以看到软机器人是如何运动完成任务的。在之前的工作中，研究人员将软机器人分解成人工设计的模拟粒子群。粒子包含重要信息，有助于缩小机器人可能的运动范围。例如，如果机器人试图以某种方式弯曲，致动器可能会抵抗足以忽略不计的运动。然而，对于如此复杂的机器人，在仿真过程中可能很难手动选择要跟踪的集群。

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”的方法，其中所有优化参数都是在多个仿真的单个反馈循环中学习的。此外，在学习优化(或“在循环中”)的同时，该方法还可以学习状态表示。

该模型采用了一种称为“材料点方法”(MPM)的技术，可以模拟背景网格包围的连续材料(如泡沫和液体)粒子的行为。这样，它可以将机器人粒子及其可观察的环境捕获为像素或3D像素(称为体素)，而无需任何额外的计算。

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，将其压缩成低维表示，然后将该表示解压缩回输入图像。如果这个“自动编码器”在压缩输入图像时保留了足够的细节，它可以通过压缩精确地重建输入图像。

在研究人员的工作中，自动编码器学习的压缩表示被用作机器人的低维状态表示。在优化阶段，压缩的表示将被返回给控制器，控制器将输出计算出的驱动力，用于机器人的每个粒子在下一个MPM模拟步骤中应该如何移动。

同时，控制器使用该信息来调整每个粒子的最佳刚度，以实现其所需的运动。未来这种材质信息可能会用在3D打印软机器人中，其中每个质点的打印硬度可能略有不同。斯皮尔伯格说：“这允许根据机器人的动作来创建与特定任务相关的机器人设计

优化更快

依次将所有优化信息反馈到循环的起点，以训练自动编码器。在许多模拟中，控制器学习最佳运动和材料设计，而自动编码器学习越来越详细的状态表示。斯皮尔伯格说：“关键是我们希望低维状态具有很好的描述性。”

机器人在设定的时间段内达到其模拟的最终状态(例如，尽可能接近目标位置)后，将更新“损失函数”。这是机器学习的重要组成部分，它试图最大程度地减少一些错误。在这种情况下，它可以使机器人距目标的距离最小化。该损失函数流回到控制器，该控制器使用误差信号调整所有优化的参数，以最好地完成任务。

斯皮尔伯格说，如果研究人员试图将模拟的所有原始粒子直接送入控制器，而没有压缩步骤，则“运行和优化时间将会激增”。使用压缩表示，研究人员能够将每次优化迭代的运行时间从几分钟减少到大约10秒。

研究人员通过对各种2D和3D两足动物和四足机器人的仿真验证了他们的模型。他们的研究人员还发现，虽然使用传统方法的机器人最多可以进行30,000个仿真来优化这些参数，但是在模型上训练的机器人仅进行了约400个仿真。

“我们的目标是实现工程师从规格到软机器人的设计，原型设计和编程的方式上的飞跃。在本文中，我们探索了共同优化软机器人的主体和控制系统的潜力，可以引领软机器人的发展。快速创建根据其任务定制的软体机器人。” Rus说。

将模型部署到实际的软机器人中意味着解决现实噪声和不确定性问题，这可能会降低模型的效率和准确性。但是，将来，研究人员希望为软机器人设计从仿真到制造的完整流水线。

分享