Представьте, что вы участвуете в гонке. Чтобы завершить его, ваше тело должно быть сильным, а ваш мозг должен следить за маршрутом, контролировать ваш темп и не позволять вам спотыкаться.
То же самое относится и к роботам. Для выполнения задач им нужно как хорошо спроектированное тело, так и “мозг”, или контроллер. Инженеры могут использовать различные модели, чтобы улучшить управление роботом и сделать его умнее. Но есть несколько способов одновременно оптимизировать дизайн робота.
Благодаря достижениям в области вычислительной техники, наконец-то стало возможным писать программные программы, которые оптимизируют как проектирование, так и управление одновременно, подход, известный как совместное проектирование. Хотя существуют устоявшиеся платформы для оптимизации управления или проектирования, большинству исследователей, занимающихся совместным проектированием, пришлось разрабатывать свои собственные платформы для тестирования, которые обычно требуют больших вычислительных затрат и времени.
Чтобы помочь решить эту проблему, Джагдип Бахтия, студент-исследователь Массачусетского технологического института и другие исследователи создали двумерную совместную систему моделирования мягкой робототехники под названием Evolution Gym. Они представили систему на Конференции этого года по системам обработки нейронной информации. Они также подробно описали систему в новой статье.
“В основном, мы пытались создать действительно простой и быстрый симулятор”, – сказал Бхатия, ведущий автор статьи. “И вдобавок ко всему, мы создали кучу задач для выполнения этими роботами”.
В Evolution Gym 2D мягкие роботы состоят из цветных ячеек, или вокселов. Различные цвета представляют различные типы простых компонентов–либо мягкий, либо жесткий материал, либо горизонтальные или вертикальные приводы. В результате получаются роботы, которые представляют собой заплатки из цветных квадратов, перемещающиеся в среде, подобной видеоиграм. Поскольку это 2D и программа просто разработана, ей не требуется много вычислительной мощности.
Как следует из названия, исследователи сконструировали систему таким образом, чтобы имитировать биологический процесс эволюции. Вместо того, чтобы генерировать отдельных роботов, он генерирует популяции роботов с несколько иным дизайном. Система имеет двухуровневую систему оптимизации-внешний контур и внутренний контур. Внешний цикл – это оптимизация дизайна: система генерирует множество различных дизайнов для выполнения определенной задачи, такой как ходьба, прыжки, скалолазание или ловля предметов. Внутренний цикл-это оптимизация управления.
Исследователи обнаружили, что система была очень эффективной для многих задач, и что роботы, разработанные с помощью алгоритмов, работали лучше, чем роботы, разработанные человеком.
“Для этого потребуется каждый из этих проектов, он оптимизирует контроллер для него в Evolution Gym для конкретной задачи”. “А затем он вернет оценку для каждого из этих проектов обратно в алгоритм оптимизации дизайна и скажет, насколько хорошо робот справился с оптимальным контроллером”.
Сказал Бахтия.
Таким образом, система генерирует несколько поколений роботов на основе оценки “вознаграждения” для конкретной задачи, сохраняя элементы, которые поддерживают и увеличивают это вознаграждение. Исследователи разработали более 30 заданий, которые роботы должны были попытаться выполнить, оценивая их как легкие, средние или сложные.
“Если ваша задача-ходить, в этом случае вы хотели бы, чтобы робот двигался как можно быстрее в течение определенного времени”, – сказал Войцех Матусик, профессор электротехники и компьютерных наук в Массачусетском технологическом институте и старший автор статьи.
Исследователи обнаружили, что система была очень эффективной для многих задач, и что роботы, разработанные с помощью алгоритмов, работали лучше, чем роботы, разработанные человеком. Система придумала конструкции, которые люди никогда не могли, создавая сложные конструкции из материалов и приводов, которые были очень эффективными. Система также независимо придумала некоторые проекты, похожие на животных, хотя у нее не было никаких предыдущих знаний о животных или биологии.
С другой стороны, ни один робот не мог эффективно выполнять самые сложные задачи, такие как подъем и ловля предметов. Для этого может быть целый ряд причин, в том числе то, что популяции, выбранные для развития программы, были недостаточно разнообразны, сказал Вольфганг Финк, адъюнкт-профессор инженерных наук Аризонского университета, который не принимал участия в проекте.
“Разнообразие-это ключ”, – сказал он. “Если у вас нет разнообразия, то вы быстро добьетесь хороших успехов, но, скорее всего, выровняетесь недостаточно оптимально”. В наиболее эффективном алгоритме исследователей Массачусетского технологического института процент роботов, которые “выживали” в каждом поколении, составлял от 60 до 0 процентов, постепенно снижаясь с течением времени.
Упрощенные 2D-проекты Evolution Gym также не поддаются адаптации в реальных роботах. Тем не менее, Бхатия надеется, что Evolution Gym может стать ресурсом для исследователей и позволит им разрабатывать новые и захватывающие алгоритмы для совместного проектирования. Программа с открытым исходным кодом и бесплатна в использовании.
“Я думаю, что вы все еще можете получить много ценных знаний, используя Evolution Gym, предлагая новые алгоритмы и создавая новые алгоритмы в нем”, – сказал он.
