Algoritma Mendesain Robot Lunak yang Terasa

Ada beberapa tugas yang tidak dapat dilakukan oleh robot tradisional — jenis yang kaku dan metalik. Robot bertubuh lunak mungkin dapat berinteraksi dengan orang lebih aman atau menyelinap ke ruang sempit dengan mudah. Tetapi agar robot dapat menyelesaikan tugas terprogram mereka dengan andal, mereka perlu mengetahui keberadaan semua bagian tubuh mereka. Itu adalah tugas yang sulit bagi robot lunak yang dapat berubah bentuk dengan berbagai cara.

Para peneliti telah mengembangkan algoritme untuk membantu para insinyur merancang robot lunak yang mengumpulkan lebih banyak informasi berguna tentang lingkungan mereka. Algoritme pembelajaran mendalam menyarankan penempatan sensor yang dioptimalkan di dalam tubuh robot, memungkinkannya berinteraksi lebih baik dengan lingkungannya dan menyelesaikan tugas yang diberikan. Kemajuan tersebut merupakan langkah menuju otomatisasi desain robot. Sistem tidak hanya mempelajari tugas yang diberikan, tetapi juga cara terbaik merancang robot untuk menyelesaikan tugas tersebut.

Membuat robot lunak yang menyelesaikan tugas dunia nyata telah menjadi tantangan dalam robotika. Robot kaku memiliki keunggulan bawaan:rentang gerak terbatas. Susunan sendi dan tungkai robot kaku yang terbatas biasanya membuat perhitungan yang dapat dikelola dengan algoritme yang mengontrol pemetaan dan perencanaan gerak. Robot lunak tidak begitu penurut.

Robot bertubuh lunak fleksibel dan lentur — mereka umumnya lebih terasa seperti bola goyang daripada bola bowling. Setiap titik pada robot bertubuh lunak dapat, secara teori, berubah bentuk dengan cara apa pun yang memungkinkan. Itu membuatnya sulit untuk merancang robot lunak yang dapat memetakan lokasi bagian tubuhnya. Upaya sebelumnya telah menggunakan kamera eksternal untuk memetakan posisi robot dan memasukkan informasi itu kembali ke program kontrol robot. Tetapi para peneliti ingin membuat robot lunak yang tidak ditambatkan dari bantuan eksternal.

Mereka mengembangkan arsitektur jaringan saraf baru yang mengoptimalkan penempatan sensor dan belajar menyelesaikan tugas secara efisien. Pertama, mereka membagi tubuh robot menjadi wilayah yang disebut "partikel." Tingkat regangan setiap partikel diberikan sebagai input ke jaringan saraf. Melalui proses trial and error, jaringan "mempelajari" urutan gerakan yang paling efisien untuk menyelesaikan tugas, seperti mencengkeram objek dengan ukuran berbeda. Pada saat yang sama, jaringan melacak partikel mana yang paling sering digunakan dan memisahkan partikel yang jarang digunakan dari rangkaian input untuk uji coba jaringan berikutnya.

Dengan mengoptimalkan partikel yang paling penting, jaringan juga menyarankan di mana sensor harus ditempatkan pada robot untuk memastikan kinerja yang efisien. Dalam robot simulasi dengan tangan menggenggam, algoritme mungkin menyarankan bahwa sensor terkonsentrasi di dalam dan di sekitar jari, di mana interaksi yang dikontrol secara tepat dengan lingkungan sangat penting bagi kemampuan robot untuk memanipulasi objek. Meskipun hal itu tampak jelas, ternyata algoritme ini jauh mengungguli intuisi manusia dalam menentukan lokasi sensor.

Pekerjaan tersebut dapat membantu untuk mengotomatisasi proses desain robot. Selain mengembangkan algoritme untuk mengontrol gerakan robot, perancang perlu memikirkan cara menempatkan sensor pada robot dan bagaimana sensor tersebut akan berinteraksi dengan komponen lain dari sistem tersebut. Penempatan sensor yang lebih baik dapat diterapkan pada aplikasi industri, terutama di mana robot digunakan untuk tugas-tugas halus seperti mencengkeram.