به گزارش گروه علم و فناوری خبرگزاری آنا به نقل از (سایت تک دیلی)، یک بهینه سازی کلی جدید می تواند سرعت طراحی سیستم های خودران از جمله روبات های عابر پیاده و وسایل نقلیه خودران را افزایش دهد.
ربات های خودران از زمان جاروبرقی ناهموار Roomba راه طولانی را پیموده اند. در سال‌های اخیر، سیستم‌های هوش مصنوعی در خودروهای خودران، بسته‌بندی انبار، غربالگری بیماران، تحویل غذا در آخرین مایل، نظافت بیمارستان، خدمات رستوران، تهیه غذا و امنیت ساختمان به کار گرفته شده‌اند.
هر یک از این سیستم های رباتیک محصول یک فرآیند طراحی خاص برای آن سیستم است. این بدان معناست که هنگام طراحی یک ربات مستقل، مهندسان باید شبیه‌سازی‌های آزمایش و خطای بی‌شماری را اغلب از طریق شهود اجرا کنند. این شبیه سازی ها برای تنظیم و بهینه سازی عملکرد یک ربات، برای اجزا و وظایف یک ربات خاص طراحی شده اند. امروزه، طراحی یک ربات مستقل از برخی جهات بسیار شبیه پختن یک کیک از ابتدا است، بدون هیچ دستور العمل یا ترکیبی آماده برای اطمینان از نتیجه موفقیت آمیز.
یک ابزار بهینه سازی همه منظوره جدید می تواند عملکرد بسیاری از سیستم های رباتیک مستقل را بهبود بخشد. در اینجا یک نمایش سخت افزاری وجود دارد که در آن ابزار به طور خودکار عملکرد دو ربات را که با هم کار می کنند برای حرکت دادن یک جعبه سنگین بهینه می کند.
در حال حاضر، مهندسان MIT یک ابزار طراحی کلی برای رباتیک ایجاد کرده اند تا از آن به عنوان نوعی دستور العمل خودکار برای موفقیت استفاده کنند. این تیم کد بهینه‌سازی را توسعه دادند که می‌توان آن را برای شبیه‌سازی تقریباً هر سیستم ربات مستقلی اعمال کرد و می‌توان از آن برای شناسایی خودکار نحوه و مکان یک سیستم برای بهبود عملکرد ربات استفاده کرد.
مهندسان نشان دادند که این ابزار توانست به سرعت عملکرد دو سیستم مستقل بسیار متفاوت را بهبود بخشد: یکی که در آن یک ربات مسیری را بین دو مانع حرکت می‌کند و دیگری که در آن یک جفت ربات با هم کار می‌کنند تا یک جعبه سنگین را جابجا کنند.
این گروه امیدوار است که بهینه‌سازی همه‌منظوره جدید بتواند به سرعت بخشیدن به توسعه طیف گسترده‌ای از سیستم‌های خودمختار، از روبات‌های پیاده‌رو و وسایل نقلیه خودران، تا روبات‌های نرم و ماهر و تیم‌هایی از ربات‌های مشارکتی کمک کند.
محققان متشکل از دانشجوی فارغ التحصیل MIT چارلز داوسون و چوچو فان، استادیار دپارتمان هوانوردی و فضانوردی MIT، یافته های خود را در کنفرانس سالانه Robotics: Science and Systems در نیویورک ارائه کردند.
طراحی وارونه
داوسون و فن پس از بررسی فراوانی ابزارهای طراحی خودکار موجود در سایر رشته های مهندسی، نیاز به یک ابزار بهینه سازی عمومی را تشخیص دادند.
داوسون می‌گوید: «اگر یک مهندس مکانیک بخواهد یک توربین بادی طراحی کند، می‌تواند از ابزار 3D CAD برای طراحی سازه استفاده کند و سپس از ابزار تجزیه و تحلیل اجزا محدود استفاده کند تا ببیند آیا بارهای خاصی را تحمل می‌کند یا خیر». اما کمبود این ابزارهای طراحی به کمک رایانه برای سیستم های مستقل وجود دارد.”
به طور معمول، یک رباتیک یک سیستم مستقل را با توسعه یک شبیه سازی از سیستم و بسیاری از زیرسیستم های متقابل آن، مانند برنامه نویسی، کنترل، ادراک و اجزای سخت افزاری، بهینه می کند. سپس او باید پارامترهای خاصی را برای هر جزء تنظیم کند و شبیه سازی را به جلو اجرا کند تا ببیند سیستم در آن سناریو چگونه عمل می کند.
تنها پس از اجرای بسیاری از سناریوها از طریق آزمون و خطا، یک متخصص ربات می تواند ترکیب بهینه مواد تشکیل دهنده را برای دستیابی به عملکرد مطلوب شناسایی کند. این یک فرآیند خسته کننده، بیش از حد سفارشی شده و زمان بر است که داوسون و فن به دنبال آن بودند.
داوسون توضیح می‌دهد: «به‌جای اینکه بگوییم، با توجه به طراحی، عملکرد چیست؟» ما می‌خواستیم آن را برگردانیم و بگوییم: “با توجه به عملکردی که می‌خواهیم ببینیم، چه طرحی ما را به آنجا خواهد رساند؟”
محققان یک چارچوب بهینه سازی یا کد کامپیوتری ایجاد کردند که می تواند به طور خودکار تغییراتی را که می تواند در یک سیستم مستقل موجود برای دستیابی به نتیجه دلخواه ایجاد شود، پیدا کند.
قلب کد مبتنی بر تمایز خودکار یا “اتومات” است، یک ابزار برنامه نویسی که در جامعه یادگیری ماشینی توسعه یافته و در اصل برای آموزش شبکه های عصبی استفاده می شود. Autodiff تکنیکی است که می تواند به سرعت و کارآمد مشتق یا حساسیت به تغییرات هر پارامتر را در یک برنامه کامپیوتری ارزیابی کند. داوسون و فن بر اساس پیشرفت‌های اخیر در برنامه‌نویسی autodiff برای توسعه یک ابزار بهینه‌سازی عمومی برای سیستم‌های رباتیک مستقل ساخته شده‌اند.
داوسون می گوید: «روش ما به طور خودکار به ما می گوید که چگونه گام های کوچکی از یک طرح اولیه تا طرحی برداریم که به اهدافمان می رسد. ما از autodiff استفاده می کنیم تا اساساً کدی را که شبیه ساز را تعریف می کند بررسی کنیم و بفهمیم که چگونه این وارونگی را به طور خودکار انجام دهیم.
ربات های بهتر بسازید
این تیم ابزار جدید خود را روی دو سیستم رباتیک مستقل آزمایش کردند و نشان دادند که به سرعت عملکرد هر سیستم را در آزمایش‌های آزمایشگاهی در مقایسه با روش‌های بهینه‌سازی مرسوم بهبود می‌بخشد.
اولین سیستم شامل یک ربات چرخدار بود که وظیفه داشت مسیری بین دو مانع را بر اساس سیگنال هایی که از دو نور در مکان های جداگانه دریافت می کرد ترسیم کند. این تیم به دنبال یافتن مکان بهینه چراغ هایی بود که مسیری روشن بین موانع ایجاد کند.
آنها دریافتند که بهینه ساز جدید به سرعت از طریق شبیه سازی ربات کار می کند و بهترین مکان نورها را در پنج دقیقه در مقایسه با 15 دقیقه برای روش های معمولی شناسایی می کند.
سیستم دوم پیچیده‌تر بود و شامل ربات‌های دو چرخ بود که با هم کار می‌کردند تا جعبه را به موقعیت هدف فشار دهند. شبیه سازی این سیستم شامل بسیاری از زیر سیستم ها و چندین پارامتر بود. با این وجود، ابزار این تیم به طور موثر مراحلی را که روبات‌ها برای رسیدن به اهدافشان در یک فرآیند بهینه‌سازی 20 برابر سریع‌تر از روش‌های معمولی نیاز داشتند، شناسایی کرد.
فن می‌گوید: «اگر سیستم شما پارامترهای بیشتری برای بهینه‌سازی داشته باشد، ابزار ما می‌تواند حتی بهتر عمل کند و می‌تواند به صورت تصاعدی در زمان صرفه‌جویی کند. این اساساً یک انتخاب ترکیبی است: با افزایش تعداد پارامترها، انتخاب‌ها نیز افزایش می‌یابد و رویکرد ما می‌تواند آن را در یک عکس کاهش دهد.»
این تیم بهینه‌سازی عمومی را برای دانلود در دسترس قرار داده است و قصد دارد این کد را برای اعمال سیستم‌های پیچیده‌تر، مانند روبات‌هایی که برای تعامل و کار در کنار انسان‌ها طراحی شده‌اند، تغییر دهد.
داوسون می گوید: “هدف ما این است که مردم را برای ساخت ربات های بهتر توانمند کنیم.” ما در حال معرفی یک بلوک ساختمانی جدید برای بهینه سازی سیستم آنها هستیم تا مجبور نباشند از ابتدا شروع کنند.
انتهای پیام/