형태를 바꾸는 소프트 로봇을 제어하는 ​​더 나은 방법

좁은 공간을 통과하기 위해 모양을 매끄럽게 바꿀 수 있는 점액형 로봇을 상상해 보세요. 이 로봇은 원치 않는 물건을 제거하기 위해 인체 내부에 배치될 수 있습니다.

이러한 로봇은 아직 실험실 외부에 존재하지 않지만 연구자들은 의료, 웨어러블 장치 및 산업 시스템에 적용할 수 있는 재구성 가능한 소프트 로봇을 개발하기 위해 노력하고 있습니다.

하지만 조작할 수 있는 관절, 팔다리, 손가락이 없고 전체 모양을 마음대로 대폭 변경할 수 있는 질퍽한 로봇을 어떻게 제어할 수 있을까요? MIT 연구원들은 이 질문에 답하기 위해 노력하고 있습니다.

그들은 로봇이 형태를 여러 번 변경해야 하는 경우에도 특정 작업을 완료하기 위해 재구성 가능한 로봇을 움직이고, 늘리고, 형상화하는 방법을 자율적으로 학습할 수 있는 제어 알고리즘을 개발했습니다. 또한 팀은 일련의 도전적이고 모양을 바꾸는 작업에서 변형 가능한 소프트 로봇의 제어 알고리즘을 테스트하기 위해 시뮬레이터를 구축했습니다.

그들의 방법은 다른 알고리즘보다 뛰어난 성능을 발휘하면서 평가한 8가지 작업을 각각 완료했습니다. 이 기술은 특히 다면적인 작업에 효과적이었습니다. 예를 들어, 한 테스트에서 로봇은 좁은 파이프를 통과하기 위해 두 개의 작은 다리를 키우면서 높이를 줄여야 했으며, 그런 다음 다리의 성장을 풀고 몸통을 늘려 파이프 뚜껑을 열어야 했습니다.

재구성 가능한 소프트 로봇은 아직 초기 단계에 있지만, 이러한 기술은 언젠가 모양을 조정하여 다양한 작업을 수행할 수 있는 범용 로봇을 가능하게 할 수 있습니다.

“사람들은 소프트 로봇에 대해 생각할 때 탄력이 있지만 원래의 모양으로 돌아가는 로봇을 생각하는 경향이 있습니다. 우리 로봇은 점액질과 같아서 실제로 형태를 바꿀 수 있습니다. 우리 방법이 그렇게 잘 작동했다는 것은 매우 놀랍습니다. 매우 새로운 것을 다루고 있습니다.”라고 전기 공학 및 컴퓨터 과학(EECS) 대학원생이자 이 접근 방식에 대한 논문의 공동 저자인 Boyan Chen은 말합니다.

Chen의 공동 저자로는 MIT 방문 학생 동안 이 작업을 완료한 중국 칭화 대학교 학부생인 수석 저자 Suning Huang이 있습니다. Tsinghua University의 조교수 Huazhe Xu; 컴퓨터 과학 및 인공 지능 연구소의 장면 표현 그룹을 이끌고 있는 MIT의 EECS 조교수인 수석 저자 Vincent Sitzmann이 있습니다. 이 연구는 학습 표현에 관한 국제 회의에서 발표될 예정입니다.

동적 모션 제어

과학자들은 종종 로봇이 목표에 더 가까이 다가가는 행동에 대해 보상을 받는 시행착오 과정인 강화 학습으로 알려진 기계 학습 접근 방식을 사용하여 로봇에게 작업을 완료하도록 가르칩니다.

이는 손가락 세 개가 달린 그리퍼처럼 로봇의 움직이는 부품이 일관되고 잘 정의되어 있을 때 효과적일 수 있습니다. 로봇 그리퍼를 사용하면 강화 학습 알고리즘이 손가락 하나를 약간 움직여 해당 동작이 보상을 받는지 시행착오를 통해 학습할 수 있습니다. 그런 다음 다음 손가락으로 이동하는 식입니다.

그러나 자기장에 의해 제어되는 형태 변형 로봇은 몸 전체를 동적으로 찌그러뜨리거나 구부리거나 늘릴 수 있습니다.

Chen은 “이러한 로봇은 수천 개의 작은 근육 조각을 제어할 수 있기 때문에 전통적인 방식으로 학습하기가 매우 어렵습니다.”라고 말했습니다.

이 문제를 해결하기 위해 그와 그의 동료들은 그것에 대해 다르게 생각해야 했습니다. 각각의 작은 근육을 개별적으로 움직이는 대신 강화 학습 알고리즘은 함께 작동하는 인접한 근육 그룹을 제어하는 ​​방법을 학습하는 것으로 시작됩니다.

그런 다음 알고리즘은 근육 그룹에 초점을 맞춰 가능한 행동의 공간을 탐색한 후 더 세부적인 세부 사항까지 드릴다운하여 정책 또는 행동 계획을 최적화합니다. 이러한 방식으로 제어 알고리즘은 대략적인 방법론을 따릅니다.

“거칠게 세밀하게 한다는 것은 무작위적인 행동을 취할 때 그 무작위적인 행동이 차이를 만들 가능성이 있다는 것을 의미합니다. 동시에 여러 근육을 대략적으로 제어하기 때문에 결과의 변화는 매우 중요할 가능성이 높습니다.”라고 Sitzmann은 말합니다.

이를 가능하게 하기 위해 연구자들은 로봇의 행동 공간, 즉 로봇이 특정 영역에서 어떻게 움직일 수 있는지를 이미지처럼 다룹니다.

그들의 기계 학습 모델은 로봇 환경의 이미지를 사용하여 로봇과 로봇 주변 영역을 포함하는 2D 동작 공간을 생성합니다. 그들은 행동 공간이 이미지 픽셀과 같은 점으로 덮이고 그리드로 오버레이되는 물질-점-방법을 사용하여 로봇 동작을 시뮬레이션합니다.

이미지의 인근 픽셀이 관련되는 것과 동일한 방식(예: 사진에서 나무를 형성하는 픽셀)은 인근 동작 지점이 더 강한 상관 관계를 갖는다는 것을 이해하기 위해 알고리즘을 구축했습니다. 로봇의 “어깨” 주위의 점은 모양이 바뀔 때 비슷하게 움직이며, 로봇의 “다리”의 점도 유사하게 움직이지만 “어깨”의 점과는 다른 방식으로 움직입니다.

또한 연구진은 동일한 머신러닝 모델을 사용해 환경을 관찰하고 로봇이 취해야 할 행동을 예측해 효율성을 높였다.

시뮬레이터 구축

이 접근 방식을 개발한 후 연구원들은 이를 테스트할 방법이 필요하여 DittoGym이라는 시뮬레이션 환경을 만들었습니다.

DittoGym은 모양을 동적으로 변경하는 재구성 가능한 로봇의 능력을 평가하는 8가지 작업을 제공합니다. 하나는 로봇이 장애물을 피해 목표 지점에 도달할 수 있도록 몸을 늘리고 구부려야 한다는 것입니다. 또 다른 경우에는 알파벳 글자를 모방하기 위해 모양을 변경해야 합니다.

“DittoGym에서 우리의 작업 선택은 일반적인 강화 학습 벤치마크 설계 원칙과 재구성 가능한 로봇의 특정 요구 사항을 모두 따릅니다. 각 작업은 장거리 탐색을 탐색하는 능력, 환경을 분석하고 외부 물체와 상호 작용합니다.”라고 Huang은 말합니다. “우리는 이 두 가지가 함께 사용자에게 재구성 가능한 로봇의 유연성과 강화 학습 체계의 효율성에 대한 포괄적인 이해를 제공할 수 있다고 믿습니다.”

그들의 알고리즘은 기본 방법보다 성능이 뛰어났으며 여러 가지 모양 변경이 필요한 다단계 작업을 완료하는 데 적합한 유일한 기술이었습니다.

Chen은 “우리는 서로 더 가까운 행동 지점 사이에 더 강한 상관관계를 가지고 있으며 이것이 이 작업을 잘 수행하는 데 핵심이라고 생각합니다”라고 Chen은 말합니다.

형태를 바꾸는 로봇이 현실 세계에 배치되기까지는 수년이 걸릴 수 있지만 Chen과 그의 동료들은 그들의 연구가 다른 과학자들이 재구성 가능한 소프트 로봇을 연구할 뿐만 아니라 다른 복잡한 제어 문제에 대해 2D 동작 공간을 활용하는 것에 대해 생각하도록 영감을 주기를 바랍니다.

출처: https://www.sciencedaily.com/releases/2024/05/240509124716.htm