Inženjeri smislili recept za poboljšanje svakog autonomnog robotskog sistema

Autor: Jennifer Chu
Autonomni roboti su prešli dug put od cepidlačkog usisivača Roomba. Poslednjih godina, sistemi veštačke inteligencije se javljaju u autonomnim automobilima, isporuci hrane na poslednjem kilometru, uslugama restorana, pregledanju pacijenata, čišćenju bolnica, pripremi obroka, obezbeđenju zgrada i pakovanju u skladištima.
Svaki od ovih robotskih sistema je proizvod ad hoc procesa projektovanja specifičnog za taj određeni sistem. Prilikom dizajniranja autonomnog robota, inženjeri moraju da izvrše bezbroj simulacija pokušaja i promašaja, često na osnovu intuicije. Ove simulacije su prilagođene komponentama i zadacima određenog robota, kako bi se podesile i optimizovale njegove performanse. U nekim aspektima, dizajniranje autonomnog robota danas je kao pečenje kolača od nule, bez recepta ili pripremljene mešavine koja bi osigurala uspešan ishod.
Sada su inženjeri MIT-a razvili opšti alat za dizajn koji robotičari mogu da koriste kao neku vrstu automatizovanog recepta za uspeh. Tim je osmislio kôd za optimizaciju koji može da se primeni na simulaciju praktično svakog autonomnog robotskog sistema i može da se koristi za automatsko određivanje kako i gde da se podesi sistem da bi se poboljšale performanse robota.
Tim je pokazao da je alat bio u stanju da brzo poboljša performanse dva veoma različita autonomna sistema: jedan u kome se robot kretao putanjom između dve prepreke, a drugi u kome je par robota radio usklađeno na pomeranju teške kutije.
Istraživači se nadaju da novi optimizator opšte namene može da pomognee ubrzanju razvoja širokog spektra autonomnih sistema, od hodajućih robota i samovozećih vozila, do mekih i spretnih robota i timova kolaborativnih robota.
Tim, sastavljen od Charlsa Dawsona, diplomiranog studenta MIT-a, i ChuChu Fan, docenta na MIT-ovom odseku za aeronautiku i astronautiku, predstaviće svoje nalaze kasnije ovog meseca na godišnjoj konferenciji „Robotics: Science and Systems“ u Njujorku.
Obrnuti dizajn
Dawson i Fan su shvatili potrebu za opštim alatom za optimizaciju nakon što su posmatrali mnoštvo automatizovanih alata za projektovanje koji su dostupni za druge inženjerske discipline.
„Ako mašinski inženjer želi da dizajnira turbinu na vetar, mogao bi da koristi 3D CAD alat za projektovanje strukture, a zatim alat za analizu konačnih elemenata da bi proverio da li će turbina izdržati određena opterećenja“, kaže Dawson. „Međutim, nedostaju kompjuterski podržani alati za projektovanje autonomnih sistema.“
Robotičar obično optimizuje autonomni sistem tako što najpre razvija simulaciju sistema i njegovih mnogih podsistema u interakciji, kao što su planiranje, kontrola, percepcija i hardverske komponente. Zatim mora da podesi određene parametre svake komponente i pokrene simulaciju unapred da bi video kako će sistem raditi u tom scenariju.
Tek nakon što izvrši mnogo scenarija putem pokušaja i promašaja, robotista može da prepozna optimalnu kombinaciju sastojaka za postizanje željenog učinka. To je dosadan, previše krut i dugotrajan proces koji su Dawson i Fan nastojali da preokrenu.
„Umesto da kažete: „S obzirom na dati dizajn, kakve su performanse?“ želeli smo da preokrenemo ovo i kažemo: „S obzirom na performanse koje želimo da postignemo, koji će dizajn da nas dovede do toga?“, objašnjava Dawson.
Istraživači su razvili radni okvir za optimizaciju, ili kompjuterski kôd, koji može automatski da pronađe podešavanja postojećeg autonomnog sistema da bi se postigao željeni rezultat.
Srce koda je zasnovano na automatskoj diferencijaciji ili „autodiffu“, alatu za programiranje koji je razvijen u zajednici za mašinsko učenje i koji je prvobitno korišćen za obuku neuronskih mreža. Autodiff je tehnika koja može brzo i efikasno „proceniti posledicu“, ili osetljivost na promenu svakog parametra u računarskom programu. Dawson i Fan su gradili na nedavnim dostignućima u programiranju autodiff-a i razvili alat za optimizaciju opšte namene za autonomne robotske sisteme.
„Naš metod nam automatski govori kako da pravimo male korake od početnog dizajna ka dizajnu koji postiže naše ciljeve“, kaže Dawson. „Koristimo autodiff da u suštini kopamo po kodu koji definiše simulator i da utvrdimo kako da automatski izvršimo ovu inverziju.“
Pravljenje boljih robota
Tim je testirao svoj novi alat na dva odvojena autonomna robotska sistema i dokazao da je u poređenju sa konvencionalnim metodama optimizacije alat brže poboljšao performanse svakog sistema u laboratorijskim eksperimentima.
Prvi sistem se sastojao od robota na točkovima koji je imao zadatak da planira putanju između dve prepreke, na osnovu signala koje je primao od dva svetionika postavljena na različitim lokacijama. Tim je nastojao da pronađe optimalan položaj svetionika koji bi omogućio jasan put između prepreka.
Pokazalo se da je novi optimizator brzo prošao kroz simulaciju robota i identifikovao najbolje postavljanje svetionika u roku od pet minuta, u poređenju sa 15 minuta za konvencionalne metode.
Drugi sistem je bio složeniji, sastojao se od dva robota na točkovima koji rade zajedno kako bi gurnuli kutiju ka ciljnoj poziciji. Simulacija ovog sistema uključivala je mnogo više podsistema i parametara. Ipak, alatka tima je efikasno identifikovala korake potrebne da bi roboti postigli svoj cilj, u procesu optimizacije koji je bio 20 puta brži od konvencionalnih pristupa.
„Ako vaš sistem ima više parametara za optimizaciju, naš alat može da postigne još više i može da uštedi eksponencijalno više vremena“, kaže Fan. „To je u osnovi kombinatorni izbor: kako se broj parametara povećava, tako se povećavaju i izbori, a naš pristup to može da smanji u trenutku.“
Tim je stavio opšti optimizator na raspolaganje za preuzimanje i planira da dalje usavrši kôd kako bi se primenio na složenije sisteme, kao što su roboti koji su dizajnirani da komuniciraju i sarađuju sa ljudima.
„Naš cilj je da osnažimo ljude da grade bolje robote“, kaže Dawson. „Pružamo novi gradivni blok za optimizaciju njihovog sistema, tako da ne moraju da počinju od nule.“
Izvor: TechXplore