Блог компании ua-hosting.company. Первые роботы, чей внешний вид напоминал Железного Дровосека, постепенно уступают дорогу мягким роботам, спектр применения которых растет с каждым новым исследованием. Мягкие роботы могут оперировать в условиях и средах, которые были бы недостижимы их жестким собратьям. Однако, развитие и совершенствование мягкой робототехники далеко от завершения.

К примеру, ученые из Массачусетского технологического института (Кембридж, США) разработали новый метод машинного обучения, который позволит динамически управлять роботами с адаптируемой морфологией.

В чем суть данного метода, насколько он эффективен, и где могут быть применены «желеобразные» роботы? Ответы на эти вопросы мы найдем в докладе ученых.

Основа исследования

Морфология — это термин, которые имеет множество применений в зависимости от направления науки, в котором он применяется. Говоря о биологии, морфология является наукой о форме и строении организмов. За миллионы лет существования планеты морфология живых организмов многократно менялась в ходе эволюции в ответ на изменения окружающей среды. Также стоит отметить изменения морфологии, которые протекают за период жизни того или иного организма. Подобные изменения могут быть разительными в аспекте габаритов (например, когда из небольшого семечка вырастает огромное дерево), так и по форме (например, когда из головастика вырастает лягушка).

Подобные биологические процессы являются практически неисчерпаемым источником вдохновения для инженеров, занимающихся разработкой новых типов роботов. Если же говорить о роботах с динамической морфологией, то необходимо обеспечить его системой, позволяющей ему верно обрабатывать изменения среды и соответствующим образом на это реагировать.

Разработка реконфигурируемых роботов пока еще сталкивается с большим числом сложностей, как в сфере материального, так и в сфере программного обеспечения. В рассматриваемом нами сегодня труде ученые определили три основные проблемы в алгоритмическом исследовании реконфигурируемых роботов и предложили способы их решения.

Как отмечают ученые описать, что такое реконфигурируемый робот, в теории достаточно легко, однако единого мнения о том, как моделировать этих роботов и как можно параметризовать их действия, пока еще нет. Ученые предлагают моделировать мягких реконфигурируемых роботов с помощью метода материальной точки* (MPM от Material Point Method), одновременно изменяя обновление напряжения Коши*, чтобы включить в него актуацию, заданную через непрерывное мышечное поле.

Метод материальной точки* — это числовой метод, используемый для моделирования поведения твердых тел, жидкостей, газов и любого объемного материала. В частности, это устойчивый метод дискретизации пространства для моделирования многофазовых взаимодействий (твердое тело-жидкость-газ).

Тензор напряжений* (иногда тензор напряжений Коши, тензор натяжений) — тензор второго ранга, описывающий механические напряжения в произвольной точке нагруженного тела, возникающих в этой точке при его (тела) малых деформациях.

Это приводит к моделированию недавно описанного реконфигурируемого магнитного робота-слизня («Reconfigurable Magnetic Slime Robot: Deformation, Adaptability, and Multifunction). В результате появляется возможность формализовать управление реконфигурируемым роботом в задачу обучения с подкреплением, используя двумерное непрерывное мышечное поле в качестве пространства действия.

Еще более важным моментом является тот факт, что неструктурированная природа мягких роботов делает традиционные алгоритмы управления непригодными. В то время как методы, основанные на обучении, такие как обучение с подкреплением (RL от reinforcement learning), превосходны в решении множества неструктурированных задач управления, реконфигурируемые роботы представляют собой уникальную задачу из-за чрезвычайно многомерного пространства действий, необходимого даже для малейшего изменения морфологии.

Например, для успеха RL необходимо гарантировать, что случайное движение приведет к значимым морфологическим изменениям. На практике это означает, что действия должны перемещать большие части робота за раз. С другой стороны, для выполнения детальных действий, таких как ходьба, пространство действий должно поддерживать детальные действия.

Наконец, не существует стандартного эталона для детализированных реконфигурируемых роботов. Ученые представили DittoGym, первый тест RL для реконфигурируемых роботов. DittoGym — это набор из восьми долгосрочных задач, которые требуют различной степени морфологических изменений. Четыре среды требуют, чтобы робот несколько раз менял свою морфологию во время выполнения задачи.

Теоретическая основа