麻省理工学院的研究人员已经开发了一种学习算法来帮助设计软体机器人，例如这些机器人大象的迭代。资料来源:麻省理工学院

麻省理工学院的研究人员开发了一种算法，可以帮助工程师设计软机器人，可以收集有关其周围环境的更多有效信息。深度学习算法建议对机器人体内的传感器进行优化放置，使其更好地与环境互动并完成分配的任务。这一进步是朝着机器人设计自动化迈出的一步。

系统不仅学习给定的任务，而且还学习如何最好地设计机器人来解决该任务。传感器的放置是一个很难解决的问题。因此，拥有这种解决方案非常令人兴奋。

这项研究将在4月的IEEE国际机器人技术大会上进行介绍，并将发表在《 IEEE机器人与自动化快报》杂志上。主要作者是麻省理工学院计算机科学和人工智能实验室（CSAIL）的博士生Amini和Andrew Spielberg。其他合著者包括麻省理工学院的博士生Lillian Chin，以及WojciechMatusik和Daniela Rus教授。创建完成现实世界任务的软体机器人一直是机器人技术领域的长期挑战。它们的刚性对手具有内在的优势：运动范围有限。刚性机器人关节和四肢的有限阵列通常通过控制映射和运动计划的算法来实现易于管理的计算。

软体机器人灵活而柔韧，通常感觉更像是弹力球，而不是保龄球。软体机器人的主要问题是它们的尺寸是无限的。理论上，软体机器人上的任何一点都可能以任何可能的方式变形。因此，很难设计出可以绘制其身体部位位置的软机器人。过去的努力是使用外部摄像机来绘制机器人的位置图，并将该信息反馈到机器人的控制程序中。但是研究人员希望创建一个不受外部援助束缚的软机器人。

您不能在机器人上放置无数个传感器。所以，问题是：您有多少个传感器，为了获得最大收益，您将这些传感器放在哪里？研究人员开发了一种新颖的神经网络体系结构，该体系结构既可以优化传感器位置，又可以学习有效地完成任务。

首先，研究人员将机器人的身体分为“颗粒”的区域。提供每个粒子的应变率作为神经网络的输入。通过反复试验的过程，网络“学习”了最有效的动作顺序以完成任务，例如抓紧不同大小的物体。同时，该网络会跟踪最常使用哪些粒子，并从一组输入中剔除较少使用的粒子，以用于网络的后续试验。

通过优化最重要的粒子，该网络还建议应在机器人上放置传感器的位置，以确保有效的性能。例如，在具有抓手的模拟机器人中，该算法可能建议将传感器集中在手指周围，在此处手指与环境的精确受控交互对于机器人操纵对象的能力至关重要。尽管这似乎显而易见，但事实证明，该算法大大优于人类对传感器放置位置的直觉。

研究人员将他们的算法与一系列专家预测相提并论。对于三种不同的软机器人布局，该团队要求机器人专家手动选择传感器的放置位置，以有效完成诸如抓取各种物体之类的任务。然后他们进行仿真，将人类感应的机器人与算法感应的机器人进行了比较。

即使我看着一些机器人的身体，并且对传感器的去向都充满信心，我们的模型在每个任务上的表现都大大优于人类。事实证明，这个问题比我们最初预期的要复杂得多。

研究团队的工作可能有助于使机器人设计过程自动化。除了开发控制机器人运动算法外，还需要考虑如何传感这些机器人，以及它们如何与该系统的其他组件相互作用。更好的传感器放置可能会在工业上得到应用，特别是在机器人用于抓紧等精细任务的地方。这就是您需要非常坚固，优化的触摸感的地方。

自动化感测软机器人的设计是快速创建可帮助人们完成身体任务的智能工具的重要一步。传感器是该过程的重要方面，因为它们使软机器人能够“看到”并理解世界及其与世界的关系。