针对特定任务优化软体机器人是一项巨大的计算难题，但一种新模型可以提供帮助。
麻省理工学院的研究人员发明了一种方法，可高效优化软体机器人的控制方式和设计，使其完成目标任务；过去，这一直是计算领域一项艰巨的工作。
软体机器人拥有富有弹性、柔韧且可伸展的身体，在任何时刻都几乎能够以无穷多种方式运动。从计算角度看，这构成了一种高度复杂的“状态表示”，用于描述机器人各部分如何运动。软体机器人的状态表示可能具有数百万个维度，因此很难计算出让机器人完成复杂任务的最优方式。
下个月，在神经信息处理系统大会上，麻省理工学院的研究人员将展示一种模型。该模型基于机器人及其环境的基本物理特性等因素，学习一种紧凑（即“低维”）但细致的状态表示。这有助于模型反复共同优化运动控制和材料设计参数，使其适用于特定任务。
“软体机器人是无限维的存在，在任何时刻都能以十亿种不同方式弯曲，”论文第一作者、计算机科学与人工智能实验室（CSAIL）研究生安德鲁·斯皮尔伯格说。“但事实上，柔性物体弯曲的方式是有规律可循的。我们发现，软体机器人的自然状态可以用非常紧凑的低维描述来表示。我们通过学习对可能状态的良好描述，来优化软体机器人的控制和设计。”
在模拟中，该模型使二维和三维软体机器人能够更快、更准确地完成任务，例如移动一定距离或到达目标位置，表现优于当前最先进的方法。研究人员接下来计划将该模型应用于真实的软体机器人。
与斯皮尔伯格共同撰写论文的还有CSAIL研究生赵安伦、杜涛和胡元明；CSAIL主任、安德鲁与埃尔娜·维特比电气工程与计算机科学教授丹妮拉·鲁斯；以及麻省理工学院电气工程与计算机科学副教授、计算制造组负责人沃伊切赫·马图西克。
“学习在环”
软体机器人学是一个相对较新的研究领域，但在先进机器人技术方面前景广阔。例如，柔性身体可以带来更安全的人机交互、更出色的物体操控能力和更强的机动性等优势。
在模拟中控制机器人依赖于一个“观察器”，即一种计算变量的程序，用来了解软体机器人如何运动以完成任务。在此前的研究中，研究人员将软体机器人分解为若干由人工设计的模拟粒子簇。粒子包含重要信息，有助于缩小机器人可能的运动范围。例如，如果机器人试图以某种方式弯曲，而致动器对这种运动的阻力足够大，就可以忽略这种运动。但对于如此复杂的机器人，在模拟过程中手动选择要跟踪的粒子簇可能很棘手。
在此基础上，研究人员设计了一种“学习在环优化”方法，所有优化参数都在多个模拟构成的单个反馈循环中学习得到。同时，在学习优化（即“在环”）的过程中，该方法也会学习状态表示。
该模型采用一种称为物质点法（MPM）的技术，用于模拟泡沫和液体等连续介质材料的粒子在背景网格中的行为。借助这一方法，无需额外计算，就能将机器人的粒子及其可观测环境捕捉为像素或三维像素（称为体素）。
在学习阶段，这些原始粒子网格信息会输入一个机器学习组件。该组件学习如何输入图像、将其压缩为低维表示，再将这种表示解压缩还原为输入图像。如果这个“自编码器”在压缩输入图像时保留了足够的细节，就能根据压缩后的表示准确重建输入图像。
在研究人员的工作中，自编码器学习得到的压缩表示充当机器人的低维状态表示。在优化阶段，这种压缩表示会反馈给控制器，由控制器计算出机器人的每个粒子在下一步MPM模拟中应如何运动，并输出相应的驱动指令。
与此同时，控制器会利用这些信息调整每个粒子的最优刚度，以实现预期运动。未来，这些材料信息可用于3D打印软体机器人，使每个粒子位置都能以略有不同的刚度打印出来。斯皮尔伯格说：“这有助于设计出适合机器人运动的机器人，而这些运动将与具体任务相关。通过共同学习这些参数，可以尽可能让各项内容保持同步，从而简化设计流程。”
加快优化
所有优化信息随后都会反馈到循环起点，用于训练自编码器。经过多次模拟，控制器学会最优运动和材料设计，而自编码器则学会越来越细致的状态表示。斯皮尔伯格说：“关键在于，我们希望这种低维状态具有很强的描述能力。”
机器人在一段时间内到达模拟的最终状态后（例如尽可能接近目标位置），模型就会更新“损失函数”。这是机器学习的关键组成部分，旨在将某种误差降至最低。在这里，它会尽量缩小机器人停止位置与目标之间的距离。损失函数会反馈给控制器，控制器利用误差信号调整所有优化参数，以尽可能出色地完成任务。
斯皮尔伯格说，如果研究人员不经过压缩步骤，直接将模拟中的所有原始粒子输入控制器，“运行和优化时间就会急剧增加”。使用压缩表示后，研究人员将每次优化迭代的运行时间从几分钟缩短到了约10秒。
研究人员在各种二维和三维双足及四足机器人的模拟中验证了该模型。他们还发现，使用传统方法的机器人可能需要最多30,000次模拟才能优化这些参数，而使用该模型训练的机器人只需约400次模拟。
鲁斯说：“我们的目标是让工程师从规格设定到软体机器人的设计、原型制作和编程实现跨越式进步。在这篇论文中，我们探讨了共同优化软体机器人的本体和控制系统，是否有助于快速创造出适应其任务需求的软体机器人。”
将该模型部署到真实软体机器人上，意味着必须解决现实世界中的噪声和不确定性问题，因为这些因素可能降低模型的效率和准确性。但未来，研究人员希望为软体机器人设计一套从模拟到制造的完整流程。
