L'algorithme conçoit des robots mous qui détectent

Il y a certaines tâches que les robots traditionnels - les types rigides et métalliques - ne peuvent pas effectuer. Les robots au corps mou peuvent être capables d'interagir avec les gens de manière plus sûre ou de se glisser facilement dans des espaces restreints. Mais pour que les robots accomplissent de manière fiable leurs tâches programmées, ils doivent savoir où se trouvent toutes les parties de leur corps. C'est une tâche difficile pour un robot mou qui peut se déformer d'un nombre infini de façons.

Les chercheurs ont développé un algorithme pour aider les ingénieurs à concevoir des robots mous qui collectent des informations plus utiles sur leur environnement. L'algorithme d'apprentissage en profondeur suggère un placement optimisé des capteurs dans le corps du robot, lui permettant de mieux interagir avec son environnement et d'accomplir les tâches assignées. Cette avancée est un pas vers l'automatisation de la conception des robots. Le système apprend non seulement une tâche donnée, mais également comment concevoir au mieux le robot pour résoudre cette tâche.

Créer des robots mous qui accomplissent des tâches du monde réel a été un défi en robotique. Les robots rigides ont un avantage intrinsèque :une amplitude de mouvement limitée. La gamme finie d'articulations et de membres des robots rigides permet généralement des calculs gérables par les algorithmes qui contrôlent la cartographie et la planification des mouvements. Les robots mous ne sont pas si dociles.

Les robots à corps mou sont flexibles et souples - ils ressemblent généralement plus à une balle rebondissante qu'à une boule de bowling. Tout point d'un robot à corps mou peut, en théorie, se déformer de toutes les manières possibles. Cela rend difficile la conception d'un robot souple capable de cartographier l'emplacement de ses parties du corps. Les efforts passés ont utilisé une caméra externe pour tracer la position du robot et renvoyer ces informations dans le programme de contrôle du robot. Mais les chercheurs voulaient créer un robot souple sans aide extérieure.

Ils ont développé une nouvelle architecture de réseau neuronal qui optimise à la fois le placement des capteurs et apprend à accomplir efficacement les tâches. Tout d'abord, ils ont divisé le corps du robot en régions appelées "particules". Le taux de déformation de chaque particule a été fourni comme entrée au réseau neuronal. Grâce à un processus d'essais et d'erreurs, le réseau "apprend" la séquence de mouvements la plus efficace pour accomplir des tâches, comme saisir des objets de différentes tailles. Dans le même temps, le réseau garde une trace des particules les plus utilisées et élimine les particules les moins utilisées de l'ensemble des entrées pour les essais ultérieurs du réseau.

En optimisant les particules les plus importantes, le réseau suggère également où les capteurs doivent être placés sur le robot pour garantir des performances efficaces. Dans un robot simulé avec une main agrippante, l'algorithme pourrait suggérer que les capteurs soient concentrés dans et autour des doigts, où des interactions contrôlées avec précision avec l'environnement sont vitales pour la capacité du robot à manipuler des objets. Bien que cela puisse sembler évident, il s'avère que l'algorithme a largement surpassé l'intuition des humains quant à l'emplacement des capteurs.

Les travaux pourraient aider à automatiser le processus de conception de robots. En plus de développer des algorithmes pour contrôler les mouvements d'un robot, les concepteurs doivent réfléchir à la manière de placer des capteurs sur les robots et à la manière dont cela interagira avec d'autres composants de ce système. Un meilleur placement des capteurs pourrait avoir des applications industrielles, en particulier lorsque les robots sont utilisés pour des tâches délicates comme la préhension.