یک بهینه‌ساز همه‌منظوره جدید می‌تواند طراحی سیستم‌های خودمختار از جمله رباتهای پیاده‌رو و وسایل نقلیه خودران را سرعت بخشد.
از زمان خلاء سخت‌گیرانه Roomba، رباتهای مستقل راه درازی را پیموده‌اند. در سال‌های اخیر، سیستم‌های هوشمند مصنوعی در خودرو‌های خودران، بسته‌بندی انبار، غربالگری بیماران، تحویل غذا در آخرین مایل، نظافت بیمارستان، خدمات رستوران، آماده‌سازی غذا و امنیت ساختمان به کار گرفته شده‌اند.
هر یک از این سیستم‌های رباتیک محصول یک فرآیند طراحی خاص برای آن سیستم خاص است. این بدان معناست که در طراحی یک ربات مستقل، مهندسان باید شبیه‌سازی‌های آزمایش و خطای بی‌شماری را اجرا کنند که اغلب از طریق شهود انجام می‌شود. این شبیه‌سازی‌ها به منظور تنظیم و بهینه‌سازی عملکرد یک ربات، برای اجزا و وظایف یک ربات خاص طراحی شده‌اند. 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 می‌تواند عملکرد بسیاری از سیستم‌های رباتیک مستقل را بهبود بخشد. در اینجا یک نمایش سخت افزاری نشان داده شده است که در آن ابزار به طور خودکار عملکرد دو ربات را که با هم کار می‌کنند برای جابجایی یک جعبه سنگین بهینه می‌کند.
در حال حاضر، مهندسان MIT یک ابزار طراحی کلی برای رباتیک‌ها ایجاد کرده‌اند تا از آن به عنوان نوعی دستور العمل خودکار برای موفقیت استفاده کنند. کد بهینه‌سازی توسط این تیم ابداع شده است که می‌تواند برای شبیه‌سازی‌های تقریباً هر سیستم رباتیک مستقل اعمال شود و می‌تواند برای شناسایی خودکار نحوه و مکان تنظیم یک سیستم برای بهبود عملکرد ربات استفاده شود.
مهندسان نشان دادند که این ابزار قادر است 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 بهینه ساز همه منظوره جدید بتواند به سرعت بخشیدن به توسعه طیف گسترده‌ای از سیستم‌های خودمختار، از رباتهای پیاده روی و وسایل نقلیه خودران، تا رباتهای نرم و ماهر، و تیم‌هایی از رباتهای مشارکتی کمک کند.
محققان متشکل از چارلز داوسون، دانشجوی کارشناسی ارشد MIT، و چوچو فان، استادیار دپارتمان هوانوردی و فضانوردی MIT، یافته‌های خود را در کنفرانس سالانه Robotics: Science and Systems در نیویورک ارائه کردند.
طراحی وارونه
داوسون و فن پس از مشاهده انبوهی از ابزار‌های طراحی خودکار موجود برای سایر رشته‌های مهندسی به نیاز به یک ابزار بهینه سازی عمومی پی بردند.
داوسون می‌گوید: «اگر یک مهندس مکانیک بخواهد یک توربین بادی طراحی کند، می‌تواند از یک ابزار CAD سه بعدی برای طراحی سازه استفاده کند، سپس از ابزار تحلیل اجزای محدود برای بررسی اینکه آیا در برابر بار‌های خاص مقاومت می‌کند یا خیر، استفاده کند. با این حال، کمبود این ابزار‌های طراحی به کمک رایانه برای سیستم‌های مستقل وجود دارد.»
به طور معمول، یک رباتیک یک سیستم خودمختار را با توسعه یک شبیه‌سازی از سیستم و بسیاری از زیرسیستم‌های متقابل آن، مانند برنامه‌ریزی، کنترل، ادراک و اجزای سخت‌افزاری، بهینه می‌کند. سپس او باید پارامتر‌های خاصی از هر جزء را تنظیم کند و شبیه سازی را به جلو اجرا کند تا ببیند سیستم در آن سناریو چگونه عمل می‌کند.
تنها پس از اجرای بسیاری از سناریو‌ها از طریق آزمون و خطا، یک متخصص رباتیک می‌تواند ترکیب بهینه مواد تشکیل دهنده را برای به دست آوردن عملکرد مطلوب شناسایی کند. این یک فرآیند خسته کننده، بیش از حد سفارشی و وقت گیر است که داوسون و فن به دنبال آن بودند.
داوسون توضیح می‌دهد: «به‌جای اینکه بگوییم «با توجه به یک طراحی، عملکرد چیست؟» می‌خواستیم این را وارونه کنیم تا بگوییم: «با توجه به عملکردی که می‌خواهیم ببینیم، چه طرحی ما را به آنجا می‌رساند؟»
محققان یک چارچوب بهینه‌سازی یا یک کد کامپیوتری ایجاد کردند که می‌تواند به طور خودکار تغییراتی را پیدا کند که می‌توان در یک سیستم مستقل موجود برای دستیابی به یک نتیجه دلخواه ایجاد کرد.
قلب کد مبتنی بر تمایز خودکار یا “خودکار” است، یک ابزار برنامه‌نویسی که در جامعه یادگیری ماشینی توسعه داده شد و در ابتدا برای آموزش شبکه‌های عصبی مورد استفاده قرار گرفت. Autodiff تکنیکی است که می‌تواند به سرعت و به طور موثر مشتق را ارزیابی کند، یا حساسیت به تغییر هر پارامتر در یک برنامه کامپیوتری را ارزیابی کند. داوسون و فن بر اساس پیشرفت‌های اخیر در برنامه‌نویسی autodiff برای توسعه یک ابزار بهینه‌سازی همه‌منظوره برای سیستم‌های رباتیک مستقل ساخته شده‌اند.
داوسون می‌گوید: «روش ما به‌طور خودکار به ما می‌گوید که چگونه از یک طرح اولیه به سمت طرحی که به اهدافمان دست می‌یابد، گام‌های کوچک برداریم». ما از autodiff استفاده می‌کنیم تا اساساً کدی را که شبیه‌ساز را تعریف می‌کند، بررسی کنیم و بفهمیم که چگونه این وارونگی را به‌طور خودکار انجام دهیم.»
ساخت رباتهای بهتر
این تیم ابزار جدید خود را بر روی دو سیستم رباتیک مستقل جداگانه آزمایش کردند و نشان دادند که این ابزار 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 سیگنال‌هایی که از دو چراغ در مکان‌های جداگانه دریافت می‌کرد، طراحی کند. این تیم به دنبال یافتن مکان بهینه چراغ‌هایی بود که مسیر روشنی را بین موانع ایجاد کند.
آن‌ها دریافتند که بهینه ساز جدید به سرعت از طریق شبیه سازی ربات کار می‌کند و بهترین محل قرارگیری چراغ‌ها را در عرض پنج دقیقه در مقایسه با روش‌های معمولی ۱۵ دقیقه شناسایی کرد.
سیستم دوم پیچیده‌تر بود و شامل رباتهای دو چرخ بود که با هم کار می‌کردند تا جعبه‌ای را به سمت موقعیت هدف هل دهند. شبیه سازی این سیستم شامل بسیاری از زیرسیستم‌ها و پارامتر‌های بیشتر بود. با این وجود، ابزار این تیم به طور موثر مراحل مورد نیاز ربات‌ها را برای رسیدن به هدفشان در یک فرآیند بهینه‌سازی که ۲۰ برابر سریع‌تر از روش‌های معمولی بود، شناسایی کرد.
فن می‌گوید: «اگر سیستم شما پارامتر‌های بیشتری برای بهینه‌سازی داشته باشد، ابزار ما می‌تواند حتی بهتر عمل کند و می‌تواند به طور 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 بهینه‌ساز عمومی را برای دانلود در دسترس قرار داده است و قصد دارد این کد را برای اعمال در سیستم‌های پیچیده‌تر، مانند رباتهایی که برای تعامل و کار در کنار انسان‌ها طراحی شده‌اند، اصلاح کند.
داوسون می‌گوید: هدف ما توانمندسازی مردم برای ساخت رباتهای بهتر است. ما در حال ارائه یک بلوک ساختمانی جدید برای بهینه سازی سیستم آن‌ها هستیم، بنابراین آن‌ها مجبور نباشند از ابتدا شروع کنند.
منبع: آنا به نقل از (سای تک دیلی)
