МТИ показал алгоритм оптимизации форм роботов для передвижения по различным поверхностям

image

Исследователи Массачусетского технологического института нашли способ оптимизировать форму роботов для передвижения по различным типам местности. Система RoboGrammar моделирует эти формы и определяет, какая конструкция будет работать лучше всего в заданных условиях.

Системе нужно сообщить информацию о компонентах робота (колеса, шарниры и т. д.), а также о том, по какой местности ему предстоит перемещаться.

Авторы системы отмечают, сейчас разработчики создают роботов привычных форм, к примеру, если речь идет о передвижении по различным типам местности, то они склоняются к четвероногим роботам. Однако более инновационный дизайн может улучшить функциональность.

Для упорядочивания работы системы команда разработала «грамматику графов» — набор ограничений для расположения компонентов робота. Например, прилегающие сегменты ноги должны быть соединены с суставом, а не с другим сегментом ноги. Такие правила гарантируют, что каждый созданный компьютером дизайн работает, по крайней мере, на элементарном уровне. Эти правила основываются на строении животных, в частности, членистоногих. Ученые отмечают, что именно группа членистоногих — это история эволюционного успеха, и составляет более 80% известных видов животных.

RoboGrammar выполняет три последовательных задачи: определение проблемы, составление возможных роботизированных решений и затем выбор оптимальных. Пользователь вводит набор доступных компонентов, таких как двигатели, ноги и соединительные сегменты. Он также указывает выборку пересеченной местности, которая может включать в себя комбинации ступеньки — плоские участки — скользкие поверхности или другие варианты.

С этими входными данными RoboGrammar использует правила грамматики графов для проектирования сотен тысяч потенциальных структур роботов.

Чтобы выбрать лучший дизайн робота, необходимо контролировать движения каждого прототипа и оценивать его функции. Команда разработала контроллер с алгоритмом под названием Model Predictive Control, который отдает приоритет быстрому движению вперед.

Как только каждый смоделированный робот получает возможность свободно перемещаться, исследователи ищут высокопроизводительные варианты с помощью «эвристического поиска по графу». Этот алгоритм нейронной сети итеративно отбирает и оценивает роботов и узнает, какие конструкции лучше подходят для данной задачи.

Теперь команда планирует создать и протестировать некоторых роботов RoboGrammar в реальном мире. Исследователи отметили, что, несмотря на свободу выбора алгоритма, он все равно чаще склонялся к четвероногим прототипам.

См. также:

© Habrahabr.ru