ЛУЧШИЙ СПОСОБ УПРАВЛЕНИЯ МЯГКИМИ РОБОТАМИ, МЕНЯЮЩИМИ ФОРМУ Текст научной статьи по специальности «СМИ (медиа) и массовые коммуникации»

УДК 004 Гылыджова А., Аллаберенов А., Аннаоразов С.

Гылыджова А.

преподаватель

Туркменский государственный архитектурно-строительный институт

(г. Ашхабад, Туркменистан)

Аллаберенов А.

студент

Туркменский государственный архитектурно-строительный институт

(г. Ашхабад, Туркменистан)

Аннаоразов С.

студент

Туркменский государственный архитектурно-строительный институт

(г. Ашхабад, Туркменистан)

ЛУЧШИЙ СПОСОБ УПРАВЛЕНИЯ МЯГКИМИ РОБОТАМИ, МЕНЯЮЩИМИ ФОРМУ

Аннотация: новая технология машинного обучения позволяет обучать и управлять реконфигурируемым мягким роботом, который может динамически изменять свою форму для выполнения задачи. Исследователи также создали симулятор, который может оценивать алгоритмы управления мягкими роботами, меняющими форму.

Ключевые слова: реконфигурируемые роботы, алгоритмы, симуляторы, формировать.

Представьте себе робота, похожего на слизь, который может плавно менять свою форму, чтобы протиснуться в узкие пространства, и которого можно разместить внутри человеческого тела, чтобы удалить ненужное образование. Хотя такого робота пока не существует за пределами

лаборатории, исследователи работают над разработкой реконфигурируемых мягких роботов для применения в здравоохранении, портативных устройствах и промышленных системах.

Но как можно управлять мягким роботом, у которого нет суставов, конечностей или пальцев, которыми можно манипулировать, а который вместо этого может радикально менять всю свою форму по своему желанию? Исследователи Массачусетского технологического института работают над ответом на этот вопрос.

Они разработали алгоритм управления, который может автономно учиться перемещать, растягивать и формировать реконфигурируемого робота для выполнения конкретной задачи, даже если эта задача требует от робота многократного изменения своей морфологии. Команда также создала симулятор для проверки алгоритмов управления деформируемыми мягкими роботами при выполнении ряда сложных задач, изменяющих форму.

Их метод выполнил каждую из восьми задач, которые они оценивали, превосходя при этом другие алгоритмы. Особенно хорошо этот метод работал при решении многогранных задач. Например, в одном из испытаний роботу пришлось уменьшить свой рост и отрастить две крошечные ноги, чтобы протиснуться через узкую трубу, а затем отрастить эти ноги и вытянуть туловище, чтобы открыть крышку трубы.

Хотя реконфигурируемые мягкие роботы все еще находятся в зачаточном состоянии, такая технология может когда-нибудь позволить создать роботов общего назначения, которые смогут адаптировать свою форму для выполнения разнообразных задач.

«Когда люди думают о мягких роботах, они склонны думать о роботах, которые эластичны, но возвращаются к своей первоначальной форме. Наш робот подобен слизи и действительно может менять свою морфологию. Очень поразительно, что наш метод сработал так хорошо, потому что мы имеем дело с чем-то совершенно новым», — говорит Боюань Чен, аспирант электротехники и информатики (ЕЕСБ) и соавтор статьи об этом подходе.

В число соавторов входят ведущий автор Сунин Хуан, студент бакалавриата Университета Цинхуа в Китае, который завершил эту работу, будучи приглашенным студентом в Массачусетском технологическом институте, Хуажэ Сюй, доцент Университета Цинхуа, и старший автор Винсент Зитцманн, доцент кафедрыCS в Массачусетском технологическом институте, который возглавляет группу по представлению сцен в лаборатории компьютерных наук и искусственного интеллекта. Исследование будет представлено на Международной конференции по обучению представлений.

Ученые часто учат роботов выполнять задачи, используя подход машинного обучения, известный как обучение с подкреплением, который представляет собой процесс проб и ошибок, в котором робот вознаграждается за действия, которые приближают его к цели.

Это может быть эффективно, если движущиеся части робота согласованы и четко определены, как, например, захват с тремя пальцами. При использовании роботизированного захвата алгоритм обучения с подкреплением может слегка двигать одним пальцем, методом проб и ошибок определяя, приносит ли это движение вознаграждение. Затем он переходит к следующему пальцу и так далее.

Но роботы, меняющие форму, управляемые магнитными полями, могут динамически сжимать, сгибать или удлинять все свои тела.

СПИСОК ЛИТЕРАТУРЫ:

1. Suning Huang, Boyuan Chen, Huazhe Xu, Vincent Sitzmann. DittoGym: Learning to Control Soft Shape-Shifting Robots. Submitted to arXiv, 2024;

2. Massachusetts Institute of Technology. Adam Zewe

Gylyjova A., Allaberenov A., Annaorazov S.

Gylyjova A.

Turkmen State Architecture and Construction Institute (Ashgabad, Turkmenistan)

Allaberenov A.

Turkmen State Architecture and Construction Institute (Ashgabad, Turkmenistan)

Annaorazov S.

Turkmen State Architecture and Construction Institute (Ashgabad, Turkmenistan)

THE BEST WAY TO CONTROL SHAPE-CHANGING SOFT ROBOTS

Abstract: new machine learning technology makes it possible to train and control a reconfigurable soft robot that can dynamically change its shape to perform a task. The researchers also created a simulator that can evaluate control algorithms for shape-shifting soft robots.

Keywords: reconfigurable robots, algorithms, simulators, form.