Az MIT új technológiája bármilyen autonóm robotrendszer teljesítményét javítja

Egy új általános célú optimalizáló felgyorsíthatja az autonóm rendszerek tervezését, beleértve a sétálórobotokat és az önvezető járműveket.

Az elmúlt években mesterségesen intelligens rendszereket vezettek be az önvezető autókban, a raktári csomagolásban, a betegek szűrésében, az utolsó mérföldes ételszállításban, a kórházi takarításban, az éttermi kiszolgálásban, az étkezés előkészítésében és az épületbiztonságban.

Ezen robotrendszerek mindegyike az adott rendszerre jellemző ad hoc tervezési folyamat terméke. Ez azt jelenti, hogy egy autonóm robot tervezése során a mérnököknek számtalan próba-hiba szimulációt kell futtatniuk, gyakran az intuíció alapján.

Ezeket a szimulációkat egy adott robot alkatrészeihez és feladataihoz szabják, hogy hangolják és optimalizálják a teljesítményét. Egy autonóm robot tervezése manapság bizonyos szempontból olyan, mint egy süteménysütés a semmiből, anélkül, hogy recept vagy előre elkészített keverék biztosítaná a sikeres eredményt.

Az MIT mérnökei most egy általános tervezőeszközt fejlesztettek ki a robotikusok számára, amelyet a siker egyfajta automatizált receptjeként használhatnak. A csapat olyan optimalizálási kódot dolgozott ki, amely gyakorlatilag bármilyen autonóm robotrendszer szimulációjához alkalmazható, és automatikusan azonosítható, hogyan és hol kell módosítani a rendszert a robot teljesítményének javítása érdekében.

A mérnökök kimutatták, hogy az eszköz képes gyorsan javítani két nagyon különböző autonóm rendszer teljesítményét: az egyikben egy robot két akadály közötti ösvényen navigált, a másikban pedig egy robotpár együtt mozgatott egy nehéz dobozt.

A csoport azt reméli, hogy az új általános célú optimalizáló segíthet felgyorsítani az autonóm rendszerek széles skálájának fejlesztését, a sétálórobotoktól és az önvezető járművektől az ügyes robotokig, valamint az együttműködő robotok csapatáig.

A Charles Dawson, az MIT végzős hallgatója és ChuChu Fan, az MIT Repülési és Űrhajózási Tanszékének adjunktusa által alkotott kutatócsoport az éves Robotics: Science and Systems konferencián mutatta be eredményeit New Yorkban.

Dawson és Fan felismerte, hogy szükség van egy általános optimalizáló eszközre, miután megfigyelték az egyéb mérnöki tudományágak számára elérhető automatizált tervezőeszközök tárházát.

„Ha egy gépészmérnök szélturbinát akarna tervezni, egy 3D CAD eszközt használhatna a szerkezet megtervezéséhez, majd egy véges-elemes elemző eszközzel ellenőrizheti, hogy ellenáll-e bizonyos terheléseknek” – mondja Dawson. „Azonban az autonóm rendszerek számára hiányoznak ezek a számítógéppel segített tervezési eszközök.”

Általában a robotikusok úgy optimalizálják az autonóm rendszert, hogy először szimulációt készítenek a rendszerről és számos, egymással kölcsönhatásban lévő alrendszeréről, például tervezéséről, vezérléséről, észleléséről és hardverelemeiről. Ezután be kell hangolni az egyes komponensek bizonyos paramétereit, és le kell futtatni a szimulációt, hogy lássák, hogyan teljesítene a rendszer ebben a forgatókönyvben.

A robotikus csak azután képes meghatározni az összetevők optimális kombinációját a kívánt teljesítmény eléréséhez, miután sok forgatókönyvet kipróbált és sokszor hibázott. Ez egy fárasztó, túlságosan testreszabott és időigényes folyamat, amelyet Dawson és Fan a visszájára akart fordítani.

„Ahelyett, hogy azt mondanánk: ‘Adott a terv, mi a teljesítmény?’ ezt meg akartuk fordítani, hogy azt mondjuk: „Tekintettel arra a teljesítményre, amelyet látni akarunk, mi az a design, ami elvezet minket hozzá?” – magyarázza Dawson.

A kutatók kifejlesztettek egy optimalizálási keretrendszert vagy egy számítógépes kódot, amely automatikusan meg tudja találni a meglévő autonóm rendszeren elvégezhető módosításokat a kívánt eredmény elérése érdekében.

A kód lényege az automatikus differenciáláson vagy „autodiff”-en alapul, egy programozási eszközön, amelyet a gépi tanulási közösségen belül fejlesztettek ki, és kezdetben neurális hálózatok betanítására használták.

Az Autodiff egy olyan technika, amely gyorsan és hatékonyan képes „kiértékelni a származékot” vagy a számítógépes program bármely paraméterének változására való érzékenységet. Dawson és Fan az autodiff programozás legújabb eredményeire építve kifejlesztett egy általános célú optimalizáló eszközt autonóm robotrendszerekhez.

„Módszerünk automatikusan megmondja, hogyan tehetünk kis lépéseket a kezdeti tervezéstől a céljainkat elérő tervezés felé” – mondja Dawson. „Az autodiff segítségével lényegében beleásunk a szimulátort meghatározó kódba, és kitaláljuk, hogyan kell ezt az inverziót automatikusan végrehajtani.”

A csapat két különálló autonóm robotrendszeren tesztelte új eszközét, és kimutatta, hogy az eszköz gyorsan javította az egyes rendszerek teljesítményét a laboratóriumi kísérletekben a hagyományos optimalizálási módszerekkel összehasonlítva.

Az első rendszer egy kerekes robotból állt, amelynek feladata két akadály közötti útvonal megtervezése volt, két külön helyen elhelyezett jelzőfénytől kapott jelek alapján. A csapat arra törekedett, hogy megtalálja a jelzőfények optimális elhelyezését, amely tiszta utat biztosít az akadályok között.

Azt találták, hogy az új optimalizáló gyorsan visszakövette a robot szimulációját, és öt percen belül azonosította a jelzőfények legjobb elhelyezését, szemben a hagyományos módszerek 15 percével.

A második rendszer bonyolultabb volt: kétkerekű robotok dolgoztak együtt, hogy egy dobozt a célpont felé toljanak. Ennek a rendszernek a szimulációja sok további alrendszert és paramétert tartalmazott. Ennek ellenére a csapat eszköze hatékonyan azonosította azokat a lépéseket, amelyek szükségesek ahhoz, hogy a robotok elérjék céljukat, egy optimalizálási folyamat során, amely 20-szor gyorsabb volt, mint a hagyományos megközelítések.

„Ha a rendszernek több optimalizálandó paramétere van, eszközünk még jobban teljesíthet, és exponenciálisan több időt takaríthat meg” – mondja Fan. „Alapvetően kombinatorikus választás: a paraméterek számának növekedésével a választási lehetőségek is növekednek, és a mi megközelítésünk ezt egy csapásra csökkentheti.”

A csapat letölthetővé tette az általános optimalizálót, és azt tervezi, hogy tovább finomítja a kódot, hogy az összetettebb rendszerekre is alkalmazható legyen, például olyan robotokra, amelyeket úgy terveztek, hogy az emberekkel kommunikáljanak, és együtt dolgozzanak velük.

„Célunk, hogy az embereket jobb robotok építésére késztessük” – mondja Dawson. „Új építőelemet biztosítunk a rendszerük optimalizálásához, így nem kell a nulláról kezdeniük.”

Forrás: Sci Tech Daily

https://scitechdaily.com/mits-new-optimizer-for-improving-any-autonomous-robotic-system/