Ingenieurs creëren een recept voor het optimaliseren van elk autonoom robotsysteem

Autonome robots hebben een lange weg afgelegd sinds het vervelen van Roomba. In de afgelopen jaren zijn AI-systemen ingezet in zelfrijdende auto’s, last-mile voedselbezorging, cateringdiensten, patiëntenscreening, ziekenhuisreiniging, maaltijdbereiding, gebouwbeveiliging en magazijnverpakkingen.

Elk van deze robotsystemen is het product van een op maat gemaakt ontwerpproces dat specifiek is voor dat specifieke systeem. Bij het ontwerpen van een autonome robot moeten ingenieurs talloze trial-and-error-simulaties uitvoeren, die vaak intuïtief zijn uitgedacht. Deze simulator is ontworpen om te passen bij de componenten en taken van een bepaalde robot, om de prestaties te verfijnen en te verbeteren. In sommige opzichten is het ontwerpen van een autonome robot tegenwoordig als het helemaal opnieuw bakken van een cake, zonder een voorbereid recept of mix om een ​​succesvol resultaat te garanderen.

Nu hebben ingenieurs van MIT een generieke ontwerptool ontwikkeld die robotica kan gebruiken als een soort geautomatiseerd recept voor succes. Het team ontwierp optimalisatiecode die kan worden toegepast op simulaties van bijna elk autonoom robotsysteem en kan worden gebruikt om te bepalen hoe en waar een systeem moet worden aangepast om de robotprestaties te verbeteren.

Het team toonde aan dat de tool in staat was om de prestaties van twee zeer verschillende onafhankelijke systemen snel te verbeteren: een waarin een robot een pad tussen twee obstakels navigeert, en een andere waarin een paar robots samenwerken om een ​​zware kist te verplaatsen.

De onderzoekers hopen dat de nieuwe algemene optimizer de ontwikkeling van een breed scala aan autonome systemen zal helpen versnellen, van robots en autonome voertuigen tot behendige en flexibele robotica en samenwerkende robotteams.

Het team, dat bestaat uit Charles Dawson, een afgestudeerde student aan het MIT, en Chuzhou Fan, assistent-professor aan de afdeling Lucht- en Ruimtevaart van het MIT, zullen hun bevindingen later deze maand presenteren op de jaarlijkse Robotics: Science and Systems-conferentie in New York.

omgekeerd ontwerp

Dawson en Van realiseerden zich de behoefte aan een algemene optimalisatietool nadat ze de vele geautomatiseerde ontwerptools hadden opgemerkt die beschikbaar zijn voor andere technische disciplines.

“Als een werktuigbouwkundig ingenieur een windturbine wilde ontwerpen, kon hij een 3D CAD-tool gebruiken om de constructie te ontwerpen en vervolgens een eindige-elementenanalysetool gebruiken om te controleren of deze bepaalde belastingen zou weerstaan”, legt Dawson uit. “Er is echter een gebrek aan computerondersteunde ontwerptools voor autonome systemen.”

Typisch verbetert een roboticus een autonoom systeem door een simulatie te ontwikkelen van het systeem en de vele op elkaar inwerkende subsystemen, zoals planning, controle, perceptie en hardwarecomponenten. Vervolgens moet u enkele parameters van elk onderdeel instellen en de simulatie uitvoeren om te zien hoe het systeem in dat scenario zal presteren.

Pas na het doorlopen van verschillende scenario’s met vallen en opstaan, kan de robotman de optimale combinatie van componenten bepalen om de gewenste prestatie te bereiken. Het is een moeizaam, overdreven ontworpen en tijdrovend proces dat Dawson en Van hebben geprobeerd om te keren.

In plaats van te zeggen: ‘Wat is prestatie in het licht van design? We wilden het tegenovergestelde zeggen: ‘Gezien de uitvoering die we willen zien, wat is het ontwerp dat ons daarheen leidt? zegt Dawson.

Onderzoekers hebben een geoptimaliseerd raamwerk, of computercode, ontwikkeld waarmee automatisch wijzigingen kunnen worden gevonden die in een bestaand stand-alone systeem kunnen worden aangebracht om het gewenste resultaat te bereiken.

De kern van de code is gebaseerd op autodiff, of ‘autodiff’, een programmeertool die is ontwikkeld binnen de machine learning-gemeenschap en aanvankelijk werd gebruikt om neurale netwerken te trainen. Autodiff is een technologie die snel en efficiënt “de afgeleide kan evalueren” of gevoeligheid voor verandering van een variabele in een computerprogramma. Dawson en Fan maakten gebruik van recente ontwikkelingen op het gebied van autodiff-programmering om een ​​optimalisatietool voor algemene doeleinden voor autonome robotsystemen te ontwikkelen.

“Onze methode vertelt ons automatisch hoe we kleine stappen kunnen zetten vanaf het eerste ontwerp tot het ontwerp dat onze doelen bereikt”, zegt Dawson. “We gebruiken autodiff voornamelijk om de code te doorzoeken die de emulator definieert en erachter te komen hoe we die inversie automatisch kunnen doen.”

Betere robots bouwen

Het team testte hun nieuwe tool op twee afzonderlijke geautomatiseerde systemen en toonde aan dat de tool de prestaties van elk systeem snel verbeterde in laboratoriumexperimenten, vergeleken met traditionele optimalisatiemethoden.

Het eerste systeem omvatte een robot op wielen die verantwoordelijk was voor het uitzetten van een pad tussen twee obstakels, op basis van de signalen die het ontving van twee bakens die op verschillende locaties waren geplaatst. Het team zocht de optimale locatie voor de bakens die een duidelijk pad tussen de obstakels zouden bieden.

Ze ontdekten dat de nieuwe optimizer de robotsimulatie snel herwerkte en de beste bakenpositie in vijf minuten bepaalde, vergeleken met 15 minuten voor conventionele methoden.

Het tweede systeem was complexer, omdat het bestond uit tweewielige robots die samenwerkten om een ​​doos naar de doelpositie te duwen. De simulatie van dit systeem omvatte vele subsystemen en parameters. De tool van het team schetste echter effectief de stappen die de robots nodig hebben om hun doel te bereiken, in een optimalisatieproces dat 20 keer sneller is dan traditionele methoden.

“Als je systeem meer parameters heeft voor optimalisatie, kan onze tool beter presteren en veel tijd besparen”, zegt Fan. “Het is in wezen een combinatorische keuze: naarmate het aantal parameters toeneemt, nemen ook de opties toe, en onze aanpak kan dit in één klap verminderen.”

Het team heeft de public optimizer beschikbaar gemaakt om te downloaden en is van plan de code verder te verbeteren om deze toe te passen op complexere systemen, zoals robots die zijn ontworpen om te communiceren en samen te werken met mensen.

“Ons doel is om mensen in staat te stellen betere robots te bouwen”, zegt Dawson. “We introduceren een nieuwe bouwsteen om hun systeem te verbeteren, zodat ze niet helemaal opnieuw hoeven te beginnen.”

Dit onderzoek werd gedeeltelijk gefinancierd door het Defense Science and Technology Agency van Singapore en IBM.

Paper abstract: https://roboticsconference.org/program/papers/037/

Leave a Comment