MIT开发软体触手机器人，可完成各种变形

有些任务是传统机器人——坚硬的金属机器人——根本不适合的。另一方面，软体机器人可能能够更安全地与人互动，或者轻松地溜进狭小空间。但是对于机器人来说，要想可靠地完成程序设定的任务，它们需要知道自己所有身体部位的位置。对于一个软机器人来说，这是一项艰巨的任务，因为它几乎可以以无限种方式变形。

麻省理工学院的研究人员开发了一种算法，帮助工程师设计出能够收集更多周围环境有用信息的软机器人。深度学习算法建议优化传感器在机器人体内的位置，使其更好地与环境互动，并完成分配的任务。这一进展向机器人设计的自动化迈进了一步。亚历山大·阿米尼说:“这个系统不仅学习给定的任务，而且还学习如何以最佳方式设计机器人来解决这个任务。”“传感器的放置是一个非常难解决的问题。所以，有了这个解决方案是非常令人兴奋的。”

这项研究将在四月份的IEEE软机器人国际会议上发表，并将发表在IEEE机器人和自动化快报杂志上。合着者是阿米尼和安德鲁·斯皮尔伯格，他们都是麻省理工学院计算机科学和人工智能实验室(CSAIL)的博士生。其他合着者包括麻省理工学院的博士生莉莉安·金，沃伊切赫·马图斯克教授和丹妮拉·罗斯教授。

创造能够完成现实世界任务的软机器人一直是机器人领域的一个长期挑战。它们的刚性对手有一个内在的优势:有限的运动范围。刚性机器人的关节和肢体的有限阵列通常使控制映射和运动规划的算法实现易于管理的计算。软机器人不那么容易驾驭。

软体机器人灵活而柔韧——它们通常感觉更像一个弹跳的球而不是保龄球。“软体机器人的主要问题在于它们是无限维度的，”斯皮尔伯格说。“理论上，软体机器人的任何一点都可以以任何可能的方式变形。这使得设计一个可以绘制身体各部分位置的软机器人变得很困难。过去的努力是使用一个外部摄像头来绘制机器人的位置，并将信息反馈到机器人的控制程序中。但是研究人员想要创造一个不受外界帮助的软机器人。

“你不能在机器人身上安装无数个传感器，”斯皮尔伯格说。“所以，问题是:你有多少传感器，你应该把这些传感器放在哪里，以获得最大的性价比?该团队转向深度学习寻求答案。

研究人员开发了一种新型的神经网络结构，既能优化传感器的位置，又能学习有效地完成任务。首先，研究人员将机器人的身体分成被称为“粒子”的区域。每个粒子的应变速率被作为神经网络的输入。通过一个反复试验的过程，这个网络“学习”了完成任务的最有效的动作序列，比如抓住不同大小的物体。与此同时，该网络跟踪哪些粒子使用最频繁，并从网络后续试验的输入集合中挑选出使用较少的粒子。

通过优化最重要的粒子，该网络还建议传感器应该放置在机器人上，以确保高效性能。例如，对于一个模拟手抓取的机器人，算法可能建议传感器集中在手指内和手指周围，那里的精确控制与环境的互动对于机器人操纵对象是至关重要的。虽然这似乎是显而易见的，但事实证明，在传感器的位置设定上，算法的表现大大超过了人类的直觉。

研究人员将他们的算法与一系列专家预测进行了对比。

对于三种不同的软式机器人布局，研究小组要求机器人专家手动选择传感器应该放置的位置，以便有效地完成任务，如抓取各种物体。然后他们进行了模拟，比较了人类感知机器人和算法感知机器人。结果并不接近。阿米尼说:“我们的模型在每项任务上都大大优于人类，即使我看了一些机器人的身体，对传感器应该去哪里非常有信心。”“事实证明，这个问题比我们最初预期的要微妙得多。”

斯皮尔伯格表示，他们的工作有助于机器人设计过程的自动化。他说，除了开发控制机器人运动的算法，“我们还需要考虑如何对这些机器人进行感知，以及这将如何与该系统的其他组件相互作用。”更好的传感器放置可以在工业上应用，尤其是在机器人用于像手抓这样的精细任务的地方。斯皮尔伯格说:“这需要一种非常强健、优化良好的触觉。”“所以，有可能产生立竿见影的影响。”

罗斯说:“对感应软机器人的自动化设计是朝着快速创造智能工具、帮助人们完成体力劳动迈出的重要一步。”“传感器是这个过程的一个重要方面，因为它们使软机器人能够“看到”和理解世界及其与世界的关系。”

这项研究部分由美国国家科学基金会(National Science Foundation)和范尼和约翰·赫兹基金会(Fannie and John Hertz Foundation)资助。