Овај смисао је од непроцењиве важности јер нам омогућава да координирамо наше покрете. Код људи, мозак интегрише чула, укључујући додир, топлину и напетост у вретенима мишића како би нам омогућили да изградимо ову мапу.
Реплицирање овог комплексног смисла представља велики изазов за роботичаре. Можемо замислити симулацију вида помоћу фотоапарата, звука са микрофоном, или додирнути подлошке притиска. Роботи са хемијским сензорима могу бити много прецизнији од нас у мирису и укусу, али изградња проприоцепције, роботов осећај за себе и своје тело, далеко је тежи, и то је велики део разлога зашто су хуманоидни роботи тако лукави да би се исправили.
Софтвер за истовремену локализацију и мапирање (SLAM) омогућава роботима да користе своја сопствена чула како би изградили слику свог окружења, али им је потребан снажан осећај за позицију сопствених тела и за интеракцију са њим. Ако се догоди нешто неочекивано, или у мрачним окружењима у којима примарна чула нису доступна, роботи се могу борити да прате своју позицију и оријентацију. За интеракцију између људи и робота, носиве роботике и деликатне апликације као што је операција, мале разлике могу бити изузетно важне.
"Piecemeal Solutions"
У случају хард робота, ово се генерално решава коришћењем серије сензора деформација и притиска у сваком споју, што омогућава роботу да одреди како су његови удови позиционирани. То је добро за круте роботе са ограниченим бројем спојева, али за мекше, флексибилније роботе, ова информација је ограничена. Роботичари се суочавају са дилемом: огроман, комплексан низ сензора за сваки степен слободе у покрету робота, или ограничена вештина проприоцепције?
Нове технике, које често укључују нове низове сензорних материјала и алгоритме за учење машина, почињу да се баве овим проблемом. Узмимо радове "Thomas George Thuruthel" и његових колега у Писи и Сан Диегу, који инспиришу проприоцепцију људи. У новом раду у "Science Robotics", они описују употребу меких сензора дистрибуираних кроз роботски прст насумце. Овај смјештај је сличан сталној адаптацији сензора код људи и животиња, умјесто да се ослања на повратне информације од ограниченог броја позиција.
Сензори дозвољавају меком роботу да реагује на додир и притисак на многим различитим локацијама, формирајући саму себе мапу која се савија у компликоване положаје. Алгоритам за стројно учење служи за тумачење сигнала из насумично распоређених сензора: како се прст креће около, то је уочено системом за снимање покрета. Након тренинга роботске неуронске мреже, он може повезати повратне информације са сензора са положајем прста детектованог у систему за хватање покрета, који се онда може одбацити. Робот посматра сопствене покрете да би разумео облике које његово меко тело може да преузме и преведу их на језик тих меких сензора.
"Предности нашег приступа су способност да се предвиде сложени покрети и силе које меки робот доживљава (што је тешко са традиционалним методама) и чињеница да се може применити на више типова актуатора и сензора", рекао је "Michael Tolley" из Калифорнијски универзитет Сан Диего. "Наш метод такође укључује и редундантне сензоре, који побољшавају општу робусност наших предвиђања."
Употреба машинског учења омогућава роботичарима да дођу до поузданог модела за овај сложени, нелинеарни систем покрета за актуаторе, нешто што је тешко направити директним израчунавањем очекиваног кретања софт-бот-а. Такође подсећа на људски систем проприоцепције, изграђен на сувишним сензорима који се мењају и мењају у положају док старимо.
ФОТО: Pixabay
У потрази за савршеном руком
Други приступ обуци робота у коришћењу њихових тела долази од Роберта Квиатковског и Ход Липсона са Универзитета Колумбија у Њу Јорку. У свом раду "Task-agnostic self-modeling machines", који је недавно објављен, они описују нови тип роботске руке.
Роботске руке и руке постају све спретније, али обучавање да ухвате велики број објеката и обављају различите задатке могу бити тежак процес. То је такође изузетно вредна вештина да се деси: Амазон је веома заинтересован за савршену роботску руку. Гоогле је повезао низ од десетак роботских руку тако да су могли да размењују информације о хватању нових објеката, делимично да би се смањило време обуке.
Појединачно тренирање роботске руке за извођење сваког појединачног задатка захтева време и смањује прилагодљивост вашег робота: или вам је потребан МЛ алгоритам с огромним скупом искустава, или, још горе, потребно је хард-код хиљаде различитих покрета. Квиатковски и Липсон покушавају да то превазиђу развојем роботског система који има „јак осећај себе“: модел своје величине, облика и кретања.
Они то раде користећи дубоко машинско учење. Робот почиње без претходног знања о свом облику или физици која се налази испод њеног кретања. Затим понавља низ од хиљаду случајних трајекторија, бележећи кретање његове руке. Квиатковски и Липсон ово упоређују са бебом у првој години живота, посматрајући покрете властитих руку и удова, фасцинирани подизањем и манипулацијом објеката.
Опет, када се робот обучи да интерпретира ове сигнале и изгради робустан модел свог тела, он је спреман за следећу фазу. Користећи тај алгоритам дубоког учења, истраживачи затим траже од робота да осмисли стратегије за постизање једноставних задатака преузимања и рукописа. Уместо да се тешко и уско обучава за сваки појединачни задатак, ограничавајући своје способности на веома узак скуп околности, робот сада може да одлучује како да користи своју руку за много шири спектар ситуација, без додатне обуке специфичне за задатак.
Контрола штете
У даљем експерименту, истраживачи су замијенили део руке са "деформисаном" компонентом, намењеном за симулацију онога што би се могло догодити ако би робот био оштећен. Робот тада може да открије да се нешто диже и да се "реконфигурише", реконструишући свој само-модел тако што ће поново проћи кроз вежбе обуке; тада је био у стању да обавља исте задатке са само малим смањењем тачности.
Технике машинског учења отварају поље роботике на начине које до сада нисмо видели. Комбинујући их са нашим разумевањем како су људи и друге животиње у стању да осећају и комуницирају са светом око нас доводи роботику ближе и ближе да постане истински флексибилна и прилагодљива, и на крају, свеприсутна.
Али пре него што могу да изађу и обликују свет, како показују ове студије, они ће морати да схвате себе.
БОНУС ВИДЕО:
Правда
