Ovaj smisao je od neprocenjive važnosti jer nam omogućava da koordiniramo naše pokrete. Kod ljudi, mozak integriše čula, uključujući dodir, toplinu i napetost u vretenima mišića kako bi nam omogućili da izgradimo ovu mapu.
Repliciranje ovog kompleksnog smisla predstavlja veliki izazov za robotičare. Možemo zamisliti simulaciju vida pomoću fotoaparata, zvuka sa mikrofonom, ili dodirnuti podloške pritiska. Roboti sa hemijskim senzorima mogu biti mnogo precizniji od nas u mirisu i ukusu, ali izgradnja propriocepcije, robotov osećaj za sebe i svoje telo, daleko je teži, i to je veliki deo razloga zašto su humanoidni roboti tako lukavi da bi se ispravili.
Softver za istovremenu lokalizaciju i mapiranje (SLAM) omogućava robotima da koriste svoja sopstvena čula kako bi izgradili sliku svog okruženja, ali im je potreban snažan osećaj za poziciju sopstvenih tela i za interakciju sa njim. Ako se dogodi nešto neočekivano, ili u mračnim okruženjima u kojima primarna čula nisu dostupna, roboti se mogu boriti da prate svoju poziciju i orijentaciju. Za interakciju između ljudi i robota, nosive robotike i delikatne aplikacije kao što je operacija, male razlike mogu biti izuzetno važne.
"Piecemeal Solutions"
U slučaju hard robota, ovo se generalno rešava korišćenjem serije senzora deformacija i pritiska u svakom spoju, što omogućava robotu da odredi kako su njegovi udovi pozicionirani. To je dobro za krute robote sa ograničenim brojem spojeva, ali za mekše, fleksibilnije robote, ova informacija je ograničena. Robotičari se suočavaju sa dilemom: ogroman, kompleksan niz senzora za svaki stepen slobode u pokretu robota, ili ograničena veština propriocepcije?
Nove tehnike, koje često uključuju nove nizove senzornih materijala i algoritme za učenje mašina, počinju da se bave ovim problemom. Uzmimo radove "Thomas George Thuruthel" i njegovih kolega u Pisi i San Diegu, koji inspirišu propriocepciju ljudi. U novom radu u "Science Robotics", oni opisuju upotrebu mekih senzora distribuiranih kroz robotski prst nasumce. Ovaj smještaj je sličan stalnoj adaptaciji senzora kod ljudi i životinja, umjesto da se oslanja na povratne informacije od ograničenog broja pozicija.
Senzori dozvoljavaju mekom robotu da reaguje na dodir i pritisak na mnogim različitim lokacijama, formirajući samu sebe mapu koja se savija u komplikovane položaje. Algoritam za strojno učenje služi za tumačenje signala iz nasumično raspoređenih senzora: kako se prst kreće okolo, to je uočeno sistemom za snimanje pokreta. Nakon treninga robotske neuronske mreže, on može povezati povratne informacije sa senzora sa položajem prsta detektovanog u sistemu za hvatanje pokreta, koji se onda može odbaciti. Robot posmatra sopstvene pokrete da bi razumeo oblike koje njegovo meko telo može da preuzme i prevedu ih na jezik tih mekih senzora.
"Prednosti našeg pristupa su sposobnost da se predvide složeni pokreti i sile koje meki robot doživljava (što je teško sa tradicionalnim metodama) i činjenica da se može primeniti na više tipova aktuatora i senzora", rekao je "Michael Tolley" iz Kalifornijski univerzitet San Diego. "Naš metod takođe uključuje i redundantne senzore, koji poboljšavaju opštu robusnost naših predviđanja."
Upotreba mašinskog učenja omogućava robotičarima da dođu do pouzdanog modela za ovaj složeni, nelinearni sistem pokreta za aktuatore, nešto što je teško napraviti direktnim izračunavanjem očekivanog kretanja soft-bot-a. Takođe podseća na ljudski sistem propriocepcije, izgrađen na suvišnim senzorima koji se menjaju i menjaju u položaju dok starimo.
FOTO: Pixabay
U potrazi za savršenom rukom
Drugi pristup obuci robota u korišćenju njihovih tela dolazi od Roberta Kviatkovskog i Hod Lipsona sa Univerziteta Kolumbija u NJu Jorku. U svom radu "Task-agnostic self-modeling machines", koji je nedavno objavljen, oni opisuju novi tip robotske ruke.
Robotske ruke i ruke postaju sve spretnije, ali obučavanje da uhvate veliki broj objekata i obavljaju različite zadatke mogu biti težak proces. To je takođe izuzetno vredna veština da se desi: Amazon je veoma zainteresovan za savršenu robotsku ruku. Google je povezao niz od desetak robotskih ruku tako da su mogli da razmenjuju informacije o hvatanju novih objekata, delimično da bi se smanjilo vreme obuke.
Pojedinačno treniranje robotske ruke za izvođenje svakog pojedinačnog zadatka zahteva vreme i smanjuje prilagodljivost vašeg robota: ili vam je potreban ML algoritam s ogromnim skupom iskustava, ili, još gore, potrebno je hard-kod hiljade različitih pokreta. Kviatkovski i Lipson pokušavaju da to prevaziđu razvojem robotskog sistema koji ima „jak osećaj sebe“: model svoje veličine, oblika i kretanja.
Oni to rade koristeći duboko mašinsko učenje. Robot počinje bez prethodnog znanja o svom obliku ili fizici koja se nalazi ispod njenog kretanja. Zatim ponavlja niz od hiljadu slučajnih trajektorija, beležeći kretanje njegove ruke. Kviatkovski i Lipson ovo upoređuju sa bebom u prvoj godini života, posmatrajući pokrete vlastitih ruku i udova, fascinirani podizanjem i manipulacijom objekata.
Opet, kada se robot obuči da interpretira ove signale i izgradi robustan model svog tela, on je spreman za sledeću fazu. Koristeći taj algoritam dubokog učenja, istraživači zatim traže od robota da osmisli strategije za postizanje jednostavnih zadataka preuzimanja i rukopisa. Umesto da se teško i usko obučava za svaki pojedinačni zadatak, ograničavajući svoje sposobnosti na veoma uzak skup okolnosti, robot sada može da odlučuje kako da koristi svoju ruku za mnogo širi spektar situacija, bez dodatne obuke specifične za zadatak.
Kontrola štete
U daljem eksperimentu, istraživači su zamijenili deo ruke sa "deformisanom" komponentom, namenjenom za simulaciju onoga što bi se moglo dogoditi ako bi robot bio oštećen. Robot tada može da otkrije da se nešto diže i da se "rekonfiguriše", rekonstruišući svoj samo-model tako što će ponovo proći kroz vežbe obuke; tada je bio u stanju da obavlja iste zadatke sa samo malim smanjenjem tačnosti.
Tehnike mašinskog učenja otvaraju polje robotike na načine koje do sada nismo videli. Kombinujući ih sa našim razumevanjem kako su ljudi i druge životinje u stanju da osećaju i komuniciraju sa svetom oko nas dovodi robotiku bliže i bliže da postane istinski fleksibilna i prilagodljiva, i na kraju, sveprisutna.
Ali pre nego što mogu da izađu i oblikuju svet, kako pokazuju ove studije, oni će morati da shvate sebe.
BONUS VIDEO:
Pravda
