機器人大牛 Daniela Rus 領銜！MIT 新算法實現軟體機器人「本體感知」

說起軟體機器人，或許很多人都不覺得陌生了。

軟體機器人的發(fā)展離不開包括材料學、機器人學、生物力學、傳感與控制在內的多學科進步，近年來相關學科迅速發(fā)展，各類軟體機器人也開始涌現。

機器人與自動化國際會議 ICRA 2017 的會場上，曾參與發(fā)明達芬奇手術機器人的香港中文大學機械與自動化工程學系副教授 Samuel Au 這樣向雷鋒網表示：

軟體機器人在醫(yī)療領域的應用十分廣泛，甚至會轉變醫(yī)療機器人的范式。軟體機器人是手術機器人的終極目標。

當然，除了醫(yī)療領域，軟體機器人還有一個廣闊的市場——玩具。

這個市場中，迪士尼對軟體機器人頗為關注。就在去年，迪士尼研究院（Disney Research）曾基于算法和一種特殊的拉伸傳感器，讓軟體機器人有了「本體感知」的能力。

最近，在世界領先的機器人專家之一 Daniela Rus 教授的領導下，MIT CSAIL 也做出了類似的成果：基于他們開發(fā)的算法，軟體機器人體內的傳感器得到了優(yōu)化，因此能更好地在環(huán)境中感受自身、與環(huán)境互動。

相關論文題為 Co-Learning of Task and Sensor Placement for Soft Robotics（軟體機器人任務與傳感器布置的協同學習），將于 2021 年 4 月的 IEEE International Conference on Soft Robotics（IEEE 軟體機器人國際會議）上進行展示。

讓軟體機器人回答出“我在哪”

很多人的印象中，機器人都有著堅硬的外殼，充滿金屬感，這便是傳統的剛性機器人。通常，剛性機器人關節(jié)、肢體的有限陣列通過控制映射和運動規(guī)劃的算法使得計算易于掌控。

不同于剛性機器人，軟體機器人不論結構還是材料都是非線性的，且擁有多自由度，因此其動作任務更加復雜，因此對算法的要求非常高。

正如論文介紹的那樣：

軟體機器人必須在一個無限維的狀態(tài)空間中進行推理，而映射這個連續(xù)狀態(tài)空間并不簡單（特別是在基于有限的離散傳感器集工作的情況下，畢竟傳感器位置對機器人任務學習模型的豐富性有著深遠影響）。

上面這段話通俗來講就是，軟體機器人要想可靠地完成程序設定的任務，它們需要知道自己所有身體部位所在的位置，而由于軟體機器人幾乎可以以無限種方式變形，因此這項任務相當艱巨。

為了讓軟體機器人回答出“我在哪”的問題，此前科學家們的策略是：用一個外部攝像頭來繪制機器人的位置，并將信息反饋到機器人的控制程序中。

但 MIT CSAIL 的想法是：創(chuàng)造一個不受外界幫助的軟體機器人。

在研究團隊看來：

不能在機器人身上安裝無數個傳感器，真正的問題是：要有多少傳感器、要把傳感器放在哪，才有最大的性價比？

正因如此，MIT CSAIL 將目光聚焦于深度學習。

他們開發(fā)了一種算法，能夠幫助工程師設計出收集更多與周圍環(huán)境相關的有用信息的軟體機器人。

具體而言，這種新的協同學習傳感器放置和復雜任務的表示方法，可以處理機載傳感器信息，從而學習突出和稀疏的位置選擇，優(yōu)化傳感器在機器人體內的位置，保證機器人獲得最優(yōu)的任務性能。

論文合著者之一 Alexander Amini 表示：

這一系統不僅可以學習給定的任務，而且還能學習如何以最佳方式設計機器人來解決任務。傳感器的放置是一個非常難解決的問題，所以這個解決方案是非常令人興奮的。

論文顯示，由于許多軟體機器人在本質上是呈節(jié)點的，因此新架構采用了基于點-云（point-cloud-based）的學習和概率稀疏化。他們的方法將傳感器設計視為學習的雙重過程，在單一的端到端培訓過程中結合了物理和數字設計。

在論文中，研究人員將這種架構稱為 PSFE 網絡（即 point sparsification and feature extraction network，點稀疏化和特征提取網絡）。

PSFE 網絡能夠同時學習傳感器的讀數表示和傳感器的位置。如下圖所示，PSFE 網絡是研究團隊做的所有演示和應用的核心——演示包括對象抓取預測（B）、學習本體感受（C）和控制（D）。

事實證明，在放置傳感器方面，算法的表現大大超過了人類直覺！

總結來看，這項成果的主要貢獻在于：

1. 對應變和應變速率的測量：用于推理軟體機器人狀態(tài)的神經結構；

2. 一種適用于下游任務的最小集稀疏化概率傳感器表示，以及一種超越了自動化和人工基線的算法；

3. 兩個任務（7 種軟性機器人形態(tài)的觸覺感知和本體感受）中任務學習和傳感器放置協同設計的演示。

論文合著者之一 Andrew Spielberg 表示：

我們的工作有助于實現機器人設計自動化。除了開發(fā)控制機器人運動的算法，我們還需要考慮如何對這些機器人進行感知，以及如何與機器人的其他組件相互作用。未來如果在工業(yè)上加以應用，影響可能是立竿見影的。

關于作者

該論文作者為包括 Andrew Spielberg 在內的三位 MIT CSAIL 在讀博士生以及兩位 MIT 教授 Daniela Rus 和 Wojciech Matusik。

五位作者中，最有名氣的便是 Daniela Rus 教授。

【圖源 HyperAI 超神經 】

Daniela Rus 是 MIT CSAIL 主任、Andrew and Erna Viterbi 電氣工程和計算機科學教授、IEEE Fellow、AAAI Fellow、美國國家工程院院士，曾于康奈爾大學獲得計算機科學博士學位。主要研究領域涵蓋機器人、移動計算和數據科學。

前不久，福布斯 AI 專欄作家、創(chuàng)業(yè)投資公司 Highland Capital Partners 風投專家 Rob Toews 曾撰文，列舉出了 8 位具有代表性的 AI 領域女性領袖，這 8 位女性領袖中包含李飛飛、NVIDIA 工程副總裁、Coursera 創(chuàng)始人，也有 Daniela Rus 的名字。

2016 年，雷鋒網編輯曾與 Daniela Rus 展開了一場深入對談。 

在被問到“機器學習或深度學習最終是否能幫助我們制造出通用型人工智能（AGI）”時，這位 AI 大牛談到，尚無法判斷深度學習最后到底能不能實現 AGI。

在她看來，深度學習可以說是很有潛力，但也存在一些問題：

• 深度學習需要大量數據去訓練，也就意味著需要很深的理解，而通用型智能的學習方法應該要更“通用”才對。

• 深度學習還是會犯錯。

• 實際上我們還不太清楚深度學習的運作原理，不太清楚為什么它表現得這么好。

也就是說，只有當我們對深度學習甚至我們自己有更深的了解之后，才能回答這個問題。

當時 Daniela Rus 也坦言，自己最感興趣的研究領域是機器人：

我我們正在研究如何制造更好的自動化系統，自動化系統能深刻的改變這個世界。改變人們完成任務的方式，并且可以讓我們更好的理解彼此。

如果我們能造出一臺各種行為表現的都和生物很像的機器。那這臺機器的內在原理可能跟生物的內在原理比較相似，我們可能可以通過這種研究加深對我們自己的理解。

如今看來，在 Daniela Rus 帶領下的 MIT CSAIL 朝著自動化系統又邁進了一步。

引用來源：

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9345345

https://www.csail.mit.edu/person/daniela-rus

雷鋒網雷鋒網雷鋒網

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。