A Continual Learning Framework for Adaptive Control of Modular Soft Robots
本文提出了一种持续学习框架，该框架使模块化软体机器人能够自适应地控制变化的形态并学习特定模块的动力学特性，且不会遗忘先前的知识，并通过模拟实验和真实世界实验进行了验证。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你有一个由柔软、富有弹性的节段组成的机器人，就像一串连接在一起的香肠或一条毛毛虫。这是一个模块化软体机器人 (Modular Soft Robot, MSR)。这些机器人非常神奇，因为它们可以挤进狭小的空间，并能在人类周围安全地移动，但它们极难控制。它们会以难以预测的方式弯曲、扭转和伸展，这使得编写一个能精确指挥其运动的计算机程序变得异常困难。
通常情况下，如果你为机器人增加或减少一个新节段，旧的计算机程序就会失效。你必须丢弃旧的“大脑”，并从头开始训练一个全新的大脑。这既缓慢又浪费。
这篇论文介绍了一种名为 SMPL（软体模块化渐进学习，Soft Modular Progressive Learning）的新型“大脑”。它是这样工作的，这里使用简单的类比：
1. “不断扩张的图书馆”（持续学习）
把机器人的控制器想象成一个正在学习驾驶的学生。
- 传统方式： 如果学生学会了开轿车，然后你把车换成了卡车，这个学生必须忘记关于轿车的一切知识，并重新进入卡车驾驶学校。
- SMPL 的方式： 这个新框架就像一个学生，他把关于轿车的驾驶手册放在了架子上。当他换成卡车时，他不会把轿车手册扔掉。相反，他在笔记本里增加了一个专门针对卡车的“新章节”。他仍然可以完美地驾驶轿车（因为旧章节还在那里），而且现在他也能驾驶卡车了。
在技术术语中，论文称之为持续学习 (Continual Learning)。机器人通过学习新的形状（通过增加或减少模块）来学习，而不会“忘记”如何控制旧的形状。它建立了一个知识库，每当机器人发生变化时，它会增加新的书籍，而不是每次都重写整个图书馆。
2. “专业化团队”（分布式控制）
想象一个大型管弦乐团。
- 传统方式： 一位单一的指挥试图同时告诉每一位小提琴手、鼓手和长笛手该做什么。如果指挥累了或犯了错，整个乐团都会受到影响。
- SMPL 的方式： 这个框架的作用像是一位为每个声部聘请了专业教练的指挥。一位教练教小提琴，另一位教练教鼓，以此类推。
- 每个“教练”（子网络）只专注于他们特定的乐器（模块）。
- 他们相互交流（横向连接）以分享心得，但他们并不依赖一个人来控制一切。
- 益处： 如果一个鼓棒断了（某个模块失效），你只需要重新训练鼓手教练。小提琴教练会继续完美地演奏。这使得系统更加稳健且精准。
3. “安全网”（闭环控制）
论文还描述了一种安全机制。想象机器人正试图画一个圆。
- 开环控制（没有安全网）： 机器人靠猜测指令来画圆。如果它开始偏离轨道，它会继续画出一条歪斜的线，因为它不知道自己错了。
- 闭环控制（SMPL 的方法）： 机器人有一个“镜子”（前向模型）来预测它将要处于的位置。它将这个预测与它应该处于的位置进行比较。如果存在差异（误差），它会立即将该误差反馈到大脑中，以修正下一步的动作。这就像一个人在画圆时，不断观察纸面并实时调整手部动作。
他们证明了什么？
研究人员通过两种方式测试了这个“大脑”：
- 在计算机模拟中： 他们构建了一个虚拟的软体机器人，并不断为其增加节段（从 1 个节段增加到 5 个）。SMPL 框架学会了控制 1 节段机器人，然后是 2 节段，依此类推，且没有失去控制 1 节段版本的能力。它的表现优于其他标准的 AI 方法。
- 在真实机器人上： 他们制造了一个由三个充满空气的软体节段组成的真实物理机器人。他们在真实的桌面上进行了测试。机器人成功地遵循了复杂的路径（如圆形、矩形和螺旋线），且具有极高的精度。这种“教练团队”的方法比“单一指挥”的方法更精确。
“智能节能”实验
最后，他们展示了机器人可以以一种聪明的方式“偷懒”。
- 测试： 他们要求机器人伸手触及空中某一个特定的点。
- 窍门： 机器人发现它不需要动用全部三个节段来触及那个点，它只需要中间的节段即可。于是它关闭了另外两个节段，以节省能量和计算能力。
- 结果： 如果中间节段不够用，它就会“唤醒”第一个节段来提供帮助。它只使用完成任务所需的最小数量的部分。
总结
这篇论文提出了一种教导软体机器人如何运动的新方法。与其在机器人改变形状时强迫它重新学习一切，该系统能够在不忘记旧技能的情况下增加新技能。它还将控制任务分解为更小的、专业化的任务，使机器人更加精准且具有韧性。这就像是给软体机器人提供了一个能随之成长的“大脑”，而不是每当机器人更换“装束”时就必须更换一个。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。