Algoritma Baru Mengaktifkan Robot Lunak yang Dapat Merasakan Diri untuk Tugas yang Dapat Diandalkan
Ada beberapa tugas yang tidak dapat dilakukan oleh robot tradisional — jenis yang kaku dan logam. Robot berbadang lunak mungkin dapat berinteraksi dengan orang dengan lebih aman atau melintasi ruang sempit dengan mudah. Namun agar robot dapat menyelesaikan tugas yang diprogramnya dengan andal, mereka perlu mengetahui letak semua bagian tubuh mereka. Itu adalah tugas yang sulit untuk robot lunak yang dapat berubah bentuk dalam jumlah tak terbatas cara.
Peneliti telah mengembangkan algoritma untuk membantu insinyur merancang robot lunak yang mengumpulkan informasi yang lebih berguna tentang lingkungan sekitarnya. Algoritma deep-learning menyarankan penempatan sensor yang dioptimalkan dalam tubuh robot, yang memungkinkan untuk berinteraksi lebih baik dengan lingkungan dan menyelesaikan tugas yang ditetapkan. Kemajuan ini adalah langkah menuju otomasi desain robot. Sistem tidak hanya mempelajari tugas tertentu tetapi juga cara terbaik untuk merancang robot untuk menyelesaikan tugas tersebut.
Mencipta robot lunak yang menyelesaikan tugas dunia nyata adalah tantangan dalam robotika. Robot kaku memiliki keuntungan bawaan: rentang gerakan yang terbatas. Array sempit robot kaku dari sendi dan anggota biasanya membuat perhitungan yang dapat dikelola oleh algoritma yang mengontrol pemetaan dan perencanaan gerakan. Robot lunak tidak demikian dapat dikelola.
Robot berbadang lunak adalah lentur dan lentur — mereka secara umum lebih terasa seperti bola lenting daripada bola bowling. Setiap titik pada robot berbadang lunak dapat, secara teori, berubah bentuk dengan cara yang mungkin. Itu membuat sulit untuk merancang robot lunak yang dapat memetakan lokasi bagian tubuhnya. Upaya sebelumnya menggunakan kamera eksternal untuk memetakan posisi robot dan memberikan informasi tersebut ke dalam program kontrol robot. Namun peneliti ingin mencipta robot lunak yang tidak terikat dari bantuan eksternal.
Mereka mengembangkan arsitektur jaringan saraf buatan yang baru yang mengoptimalkan penempatan sensor dan belajar untuk menyelesaikan tugas dengan efisien. Pertama, mereka membagi tubuh robot menjadi wilayah yang disebut "partikel." Tingkat strain setiap partikel diberikan sebagai input ke jaringan saraf buatan. Melalui proses coba dan error, jaringan "belajar" urutan gerakan paling efisien untuk menyelesaikan tugas, seperti menggenggam objek dengan ukuran berbeda. Pada saat yang sama, jaringan melacak partikel mana yang paling sering digunakan dan mengeluarkan partikel yang kurang digunakan dari sekelompok input untuk percobaan jaringan selanjutnya.
Dengan mengoptimalkan partikel terpenting, jaringan juga menyarankan di mana sensor harus ditempatkan pada robot untuk memastikan kinerja yang efisien. Dalam robot simulasi dengan tangan menggenggam, algoritma mungkin menyarankan sensor dikonsentrasikan di sekitar dan di dalam jari, di mana interaksi yang terkontrol dengan presisi dengan lingkungan sangat penting untuk kemampuan robot untuk memanipulasi objek. Meskipun itu mungkin terlihat jelas, ternyata algoritma jauh melampaui intuisi manusia tentang di mana meletakkan sensor.
Karya ini dapat membantu mengotomatisasi proses desain robot. Selain mengembangkan algoritma untuk mengontrol gerakan robot, desainer perlu memikirkan bagaimana meletakkan sensor pada robot dan bagaimana itu akan berinteraksi dengan komponen lain dari sistem tersebut. Penempatan sensor yang lebih baik dapat memiliki aplikasi industri, terutama di tempat robot digunakan untuk tugas halus seperti menggenggam.
