Graph-Based Design of Soft Grippers with Multi-Objective Quality-Diversity Optimisation
Dit artikel stelt een graafgebaseerde ontwerpopruimte voor, gekoppeld aan een multi-objective, diversiteitsgestuurd genetisch optimalisatiekader, om zachte grijpers te genereren die emergente generalisatie en verbeterde robuustheid vertonen over diverse, ongeziene grijpscenario's.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een wereld voor waarin robots een rijpe aardbei kunnen oppakken zonder deze te beschadigen, en vervolgens direct overschakelen naar het tillen van een zware, onregelmatig gevormde rots, zonder dat ze een nieuwe set instructies of een perfect camerabeeld nodig hebben. Dit is de heilige graal van de robotica: een machine die de rommelige, onvoorspelbare variëteit van de echte wereld aan kan. Decennialang hebben ingenieurs geprobeerd dit op te lossen door robots te bouwen die harder nadenken, waarbij ze complexe software gebruiken om elke beweging te berekenen. Maar er is een andere weg, een weg die vertrouwt op het fysieke lichaam van de robot zelf. Soft robots, gemaakt van flexibele materialen zoals rubber of siliconen, buigen en vervormen van nature om rond objecten te passen. Ze bezitten een soort mechanische intelligentie, waarbij de vorm van de robot helpt om de taak te volbrengen. Het ontwerpen van deze zachte handen is echter ongelooflijk moeilijk. Omdat ze op zo veel manieren kunnen buigen, zijn er bijna oneindig veel manieren om ze te bouwen, en het vinden van de versie die voor alles het beste werkt, is als het zoeken naar een naald in een hooiberg die voortdurend van vorm verandert.
Een team onderzoekers bij CSIRO Robotics in Australië heeft een frisse aanpak voor dit probleem gekozen. In plaats van te proberen één perfecte grijper voor een specifieke taak te ontwerpen, creëerden zij een systeem dat in één keer een hele familie van diverse zachte grijpers ontwerpt. Ze behandelden het ontwerp van deze robots als een puzzel gemaakt van verbonden punten en lijnen, een methode die hen in staat stelt om een enorme hoeveelheid vormen te verkennen zonder vast te lopen op slechts één oplossing. Door deze ontwerpen te testen tegen veel verschillende scenario's — het grijpen van kleine harde objecten, grote zachte objecten, en alles daartussenin — ontdekten ze iets verrassends. Toen ze hun computer dwongen om oplossingen te vinden die goed werkten in al deze verschillende situaties, werden de resulterende robots niet alleen goed in één ding; ze werden verrassend goed in het hanteren van objecten die ze nog nooit eerder hadden gezien.
De onderzoekers begonnen met het bouwen van een digitale taal om deze zachte robots te beschrijven. In plaats van een solide vorm te tekenen, stelden ze de robot voor als een netwerk van punten en lijnen. De punten vertegenwoordigen punten in de ruimte, en de lijnen vertegenwoordigen het materiaal dat hen verbindt. Dit netwerk is flexibel; de computer kan punten toevoegen of verwijderen, ze verplaatsen, of veranderen hoe dik de verbindende lijnen zijn. Deze aanpak is krachtig omdat de computer vormen kan uitvinden die een menselijke ontwerper misschien nooit zou bedenken, waardoor complexe krommingen en structuren ontstaan die nog steeds eenvoudig genoeg zijn voor de computer om snel te testen. Om ervoor te zorgen dat deze digitale ontwerpen realistisch waren, gebruikte het team geavanceerde fysica-simulaties die rekening houden met hoe zachte materialen rekken, draaien en terugveren. Ze simuleerden zelfs hoe de robot een object aanraakt, om er zeker van te zijn dat het virtuele rubber niet door de virtuele appel of rots heen zou gaan.
De echte innovatie lag echter in de manier waarop ze naar de beste ontwerpen zochten. Meestal, wanneer computers proberen een probleem op te lossen, richten ze zich op het vinden van het enkelvoudige beste antwoord voor een specifieke taak. Als je een computer vraagt om een grijper voor een tennisbal te ontwerpen, zal hij een vorm creëren die perfect is voor een tennisbal, maar nutteloos voor alles anders. Dit wordt overfitting genoemd, en het is een grote hindernis in de robotica. Het CSIRO-team besloot dit te bestrijden door een strategie te gebruiken die variëteit waardeert. Ze vroegen hun computer om ontwerpen te vinden die niet alleen goed waren in grijpen, maar ook verschillend van elkaar waren. Ze stelden een competitie op waarbij de computer vier verschillende doelen tegelijkertijd moest balanceren: het grijpen van een klein hard object, een groot hard object, een klein zacht object en een groot zacht object. De computer kreeg de opdracht om een breed scala aan oplossingen te behouden, zodat geen enkel type grijper de resultaten zou domineren.
Terwijl de computer duizenden simulaties uitvoerde en deze ontwerpen evolueerde over honderden generaties, ontstond er een duidelijk patroon. De ontwerpen die gedwongen werden tot diversiteit, werden niet simpelweg een rommelige mix van middelmatige oplossingen. In plaats daarvan ontwikkelden ze een robuustheid die single-task ontwerpen misten. Toen de onderzoekers deze diverse ontwerpen testten op objecten die ze niet tijdens de trainingsfase aan de computer hadden getoond, waren de resultaten opmerkelijk. De grijpers die voor een enkele taak waren ontworpen, faalden jammerlijk wanneer ze met een nieuwe vorm werden geconfronteerd. Maar de grijpers die geoptimaliseerd waren voor variëteit, gingen moeiteloos om met deze nieuwe uitdagingen. Ze konden zich aanpassen aan een holle kolom of een koraalachtige structuur die totaal niet leek op de trainingsobjecten. Het bleek dat door de computer te leren flexibel te denken, de fysieke robots leerden om flexibel te zijn in hun lichaam.
Om te bewijzen dat dit niet slechts een computereffect was, bouwde het team twee van deze geoptimaliseerde grijpers van echt rubber. Ze monteerden ze op een motor en testten ze door aan verschillende objecten te trekken, waaronder een bol, een pin en een delicate koraalachtige structuur. De fysieke robots gedroegen zich bijna exact zoals de simulaties voorspelden. Ze gebruikten hun zachtheid om zich aan te passen aan de vormen van de objecten, waarbij ze genoeg kracht genereerden om ze vast te houden zonder ze te verpletteren. Dit bevestigde dat de digitale ontwerpen de werkelijke, fysieke principes hadden gevangen van hoe zachte materialen met de wereld interageren. Het experiment toonde aan dat de "mechanische intelligentie" van de robot het zware werk deed, waardoor de robot in staat was om zijn vaardigheden te generaliseren naar nieuwe situaties zonder dat hij opnieuw geprogrammeerd hoefde te worden.
De studie suggereert dat de sleutel tot het bouwen van werkelijk aanpasbare robots misschien niet ligt in het slimmer maken van hen, maar in het diverser maken van hun ontwerpproces. Door te weigeren genoegen te nemen met een enkele perfecte oplossing en in plaats daarvan een breed scala aan mogelijkheden te omarmen, kunnen ingenieurs machines creëren die van nature robuust zijn tegen het onverwachte. Deze aanpak biedt een veelbelovend pad voorwaarts voor robots die moeten werken in onvoorspelbare omgevingen, van het oogsten van fruit in een veld tot het assisteren in een laboratorium. Het laat zien dat de beste manier om je voor te bereiden op het onbekende soms is om te oefenen met een beetje van alles.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.