مهندسان دستور العملی را برای بهبود هر سیستم رباتیک خودگردان – ScienceDaily ابداع می کنند


ربات‌های خودمختار از زمان رومبای سخت‌افزار راه طولانی را پیموده‌اند. در سال‌های اخیر، سیستم‌های هوشمند مصنوعی در خودروهای خودران، تحویل غذا در آخرین مایل، خدمات رستوران، غربالگری بیماران، نظافت بیمارستان، آماده‌سازی غذا، امنیت ساختمان و بسته‌بندی انبار به کار گرفته شده‌اند.

هر یک از این سیستم‌های رباتیک محصول یک فرآیند طراحی خاص برای آن سیستم خاص است. در طراحی یک ربات مستقل، مهندسان باید شبیه‌سازی‌های آزمایش و خطای بی‌شماری را اجرا کنند که اغلب از طریق شهود انجام می‌شود. این شبیه‌سازی‌ها برای اجزا و وظایف یک ربات خاص، به منظور تنظیم و بهینه‌سازی عملکرد آن طراحی شده‌اند. از برخی جهات، امروزه طراحی یک ربات مستقل مانند پختن یک کیک از ابتدا است، بدون هیچ دستور العمل یا ترکیبی آماده برای اطمینان از نتیجه موفقیت آمیز.

در حال حاضر، مهندسان MIT یک ابزار طراحی کلی را برای رباتیک ها ایجاد کرده اند تا از آن به عنوان نوعی دستور العمل خودکار برای موفقیت استفاده کنند. تیم یک کد بهینه‌سازی ابداع کرده است که می‌تواند برای شبیه‌سازی تقریباً هر سیستم رباتیک مستقلی اعمال شود و می‌تواند برای شناسایی خودکار نحوه و مکان تنظیم یک سیستم برای بهبود عملکرد ربات استفاده شود.

این تیم نشان داد که این ابزار می‌تواند به سرعت عملکرد دو سیستم مستقل بسیار متفاوت را بهبود بخشد: یکی که در آن یک ربات مسیری را بین دو مانع حرکت می‌کند و دیگری که در آن یک جفت ربات با هم کار می‌کنند تا یک جعبه سنگین را جابجا کنند.

محققان امیدوارند که بهینه ساز همه منظوره جدید بتواند به سرعت بخشیدن به توسعه طیف گسترده ای از سیستم های خودمختار، از روبات های پیاده روی و وسایل نقلیه خودران، تا ربات های نرم و ماهر، و تیم هایی از ربات های مشارکتی کمک کند.

این تیم متشکل از چارلز داوسون، دانشجوی کارشناسی ارشد MIT، و چوچو فن، استادیار دپارتمان هوانوردی و فضانوردی MIT، یافته‌های خود را اواخر این ماه در کنفرانس سالانه Robotics: Science and Systems در نیویورک ارائه خواهند کرد.

طراحی وارونه

داوسون و فن پس از مشاهده انبوهی از ابزارهای طراحی خودکار موجود برای سایر رشته های مهندسی، به نیاز به یک ابزار بهینه سازی عمومی پی بردند.

داوسون می‌گوید: «اگر یک مهندس مکانیک می‌خواهد یک توربین بادی طراحی کند، می‌تواند از یک ابزار CAD سه بعدی برای طراحی سازه استفاده کند، سپس از یک ابزار تحلیل المان محدود برای بررسی اینکه آیا در برابر بارهای خاص مقاومت می‌کند یا خیر، استفاده کند. با این حال، کمبود این ابزارهای طراحی به کمک رایانه برای سیستم‌های مستقل وجود دارد.»

به طور معمول، یک رباتیک یک سیستم خودمختار را با توسعه یک شبیه‌سازی از سیستم و بسیاری از زیرسیستم‌های متقابل آن، مانند برنامه‌ریزی، کنترل، ادراک و اجزای سخت‌افزاری، بهینه می‌کند. سپس او باید پارامترهای خاصی از هر جزء را تنظیم کند و شبیه سازی را به جلو اجرا کند تا ببیند سیستم در آن سناریو چگونه عمل می کند.

تنها پس از اجرای بسیاری از سناریوها از طریق آزمون و خطا، یک متخصص رباتیک می‌تواند ترکیب بهینه مواد تشکیل دهنده را برای به دست آوردن عملکرد مطلوب شناسایی کند. این یک فرآیند خسته‌کننده، بیش از حد سفارشی و زمان‌بر است که داوسون و فن به دنبال آن بودند تا آن را تغییر دهند.

“به جای اینکه بگویید “با توجه به یک طرح، عملکرد چیست؟” ما می‌خواستیم این را وارونه کنیم تا بگوییم: “با توجه به عملکردی که می‌خواهیم ببینیم، چه طرحی ما را به آنجا می‌رساند؟” داوسون توضیح می‌دهد.

محققان یک چارچوب بهینه‌سازی یا یک کد کامپیوتری ایجاد کردند که می‌تواند به‌طور خودکار تغییراتی را پیدا کند که می‌توان در یک سیستم خودمختار موجود برای دستیابی به یک نتیجه دلخواه ایجاد کرد.

قلب کد مبتنی بر تمایز خودکار یا “autodiff” است، یک ابزار برنامه‌نویسی که در جامعه یادگیری ماشین توسعه داده شد و در ابتدا برای آموزش شبکه‌های عصبی مورد استفاده قرار گرفت. Autodiff تکنیکی است که می تواند به سرعت و به طور موثر مشتق را ارزیابی کند، یا حساسیت به تغییر هر پارامتر در یک برنامه کامپیوتری را ارزیابی کند. داوسون و فن بر اساس پیشرفت‌های اخیر در برنامه‌نویسی autodiff برای توسعه یک ابزار بهینه‌سازی همه‌منظوره برای سیستم‌های رباتیک مستقل ساخته شده‌اند.

داوسون می‌گوید: «روش ما به‌طور خودکار به ما می‌گوید که چگونه گام‌های کوچکی از یک طرح اولیه به سمت طرحی برداریم که به اهدافمان می‌رسد». ما از autodiff استفاده می‌کنیم تا اساساً کدی را که شبیه‌ساز را تعریف می‌کند بررسی کنیم و بفهمیم که چگونه این وارونگی را به طور خودکار انجام دهیم.

ساخت روبات های بهتر

این تیم ابزار جدید خود را بر روی دو سیستم رباتیک مستقل جداگانه آزمایش کردند و نشان دادند که این ابزار به سرعت عملکرد هر سیستم را در آزمایش‌های آزمایشگاهی در مقایسه با روش‌های بهینه‌سازی مرسوم بهبود می‌بخشد.

اولین سیستم شامل یک ربات چرخدار بود که وظیفه داشت مسیری بین دو مانع را بر اساس سیگنال هایی که از دو چراغ در مکان های جداگانه دریافت می کرد، طراحی کند. این تیم به دنبال یافتن مکان بهینه چراغ‌هایی بود که مسیر روشنی را بین موانع ایجاد کند.

آن‌ها دریافتند که بهینه‌ساز جدید به سرعت از طریق شبیه‌سازی ربات کار می‌کند و بهترین قرارگیری چراغ‌ها را در عرض پنج دقیقه در مقایسه با ۱۵ دقیقه برای روش‌های معمولی شناسایی کرد.

سیستم دوم پیچیده‌تر بود و شامل دو روبات چرخدار بود که با هم کار می‌کردند تا جعبه را به سمت موقعیت هدف هل دهند. شبیه سازی این سیستم شامل بسیاری از زیرسیستم ها و پارامترهای بیشتر بود. با این وجود، ابزار این تیم به طور موثر مراحل مورد نیاز برای دستیابی به هدف روبات‌ها را در یک فرآیند بهینه‌سازی که 20 برابر سریع‌تر از روش‌های معمولی بود، شناسایی کرد.

فن می‌گوید: «اگر سیستم شما پارامترهای بیشتری برای بهینه‌سازی داشته باشد، ابزار ما می‌تواند حتی بهتر عمل کند و می‌تواند به طور تصاعدی در زمان صرفه‌جویی کند.» “این اساساً یک انتخاب ترکیبی است: با افزایش تعداد پارامترها، انتخاب ها نیز افزایش می یابد و رویکرد ما می تواند آن را در یک عکس کاهش دهد.”

این تیم بهینه‌ساز عمومی را برای دانلود در دسترس قرار داده است و قصد دارد این کد را برای اعمال سیستم‌های پیچیده‌تر، مانند روبات‌هایی که برای تعامل و کار در کنار انسان‌ها طراحی شده‌اند، اصلاح کند.

داوسون می گوید: “هدف ما این است که مردم را برای ساخت ربات های بهتر توانمند کنیم.” ما در حال ارائه یک بلوک ساختمانی جدید برای بهینه سازی سیستم آنها هستیم، بنابراین آنها مجبور نیستند از ابتدا شروع کنند.”

این تحقیق تا حدی توسط آژانس علوم و فناوری دفاعی در سنگاپور و IBM پشتیبانی شده است.

چکیده مقاله:



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]