Японці використовували машинне навчання, щоб зробити роботів гнучкими

Навіть виготовлені з м'яких матеріалів роботи все одно обмежені жорсткістю датчиків, які необхідні для управління. Але японські дослідники створили вбудовані датчики, які пропонують ту ж функціональність, але надають роботу більшу гнучкість. М'які роботи можуть бути більш адаптованими і еластичними, ніж більш традиційні жорсткі конструкції. Команда використовувала передові методи машинного навчання для створення свого дизайну.

Автоматизація стає все більш важливою темою. Ядром цієї концепції є суміжна область робототехніки і машинного навчання. Робот, який працює в реальному світі, повинен розуміти своє середовище і себе, щоб орієнтуватися і виконувати завдання, якби світ був повністю передбачуваним, то робот міг би чудово рухатися без необхідності дізнаватися щось нове про довкілля. Але реальність непередбачувана і постійно змінюється, тому машинне навчання допомагає роботам адаптуватися до незнайомих ситуацій. Хоча це теоретично вірно для всіх роботів, це особливо важливо для роботів з м'яким тілом, оскільки їх фізичні властивості за своєю природою менш передбачувані, ніж їх жорсткі аналоги.

"Візьмемо, наприклад, робота з пневматичними штучними м'язами (PAM), системами на основі каучуку і волокон, які розширюються і стискаються, щоб рухатися, - розповідає доцент Кохей Накадзіма з Вищої школи інформаційних наук і технологій. - PAM за своєю природою страждають випадковим механічним шумом і гістерезисом, який по суті є напругою матеріалу. Точні лазерні монітори допомагають підтримувати контроль за допомогою зворотного зв'язку, але ці жорсткі датчики обмежують рух робота, тому ми придумали щось нове ".

Накадзіма і його команда подумали, що якщо вони зможуть моделювати PAM в режимі реального часу, то зможуть зберегти хороший контроль над ним. Однак, враховуючи постійно змінювану природу PAM, це нереально з традиційними методами механічного моделювання. Таким чином, команда звернулася до потужної і усталеної техніки машинного навчання, яка називається резервуарними обчисленнями. Саме тут інформація про систему, в даному випадку PAM, подається в спеціальну нейронну мережу в режимі реального часу, тому модель постійно змінюється і, таким чином, адаптується до середовища.

"Ми виявили, що електричний опір матеріалу PAM змінюється залежно від його форми під час стиснення. Тому ми передаємо ці дані в мережу, щоб вони могли точно повідомляти про стан PAM, - продовжує Накаджима. - Звичайна гума - це ізолятор, тому ми включили вуглець в наш матеріал, щоб легше було зрозуміти його змінний опір. Ми виявили, що система емулює існуючий лазерний датчик з однаково високою точністю в різних умовах випробувань.

Завдяки цьому методу можливе створення технології м'якого робота нового покоління. Сюди можуть входити роботи, які працюють з людьми, наприклад, носимі пристрої для реабілітації або біомедичні роботи, оскільки додатковий м'який дотик означає, що взаємодія з ними м'яка і безпечна.