Представьте себе гибкий роботизированный манипулятор, который огибает гроздь винограда или брокколи, регулируя захват в реальном времени при подъёме объекта. В отличие от традиционных жёстких роботов, которые обычно стремятся избегать контакта со средой и держаться подальше от людей из соображений безопасности, этот манипулятор ощущает тонкие силы, растягиваясь и изгибаясь подобно человеческой руке. Каждое его движение рассчитано так, чтобы избежать чрезмерной силы и при этом эффективно выполнить задачу.
В лабораториях Массачусетского технологического института (MIT) — Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) и Лаборатории информационных и управляющих систем (LIDS) — эти, казалось бы, простые движения являются кульминацией сложной математики, тщательной инженерии и концепции роботов, которые могут безопасно взаимодействовать с людьми и хрупкими предметами.
Мягкие роботы с их деформируемыми телами обещают будущее, в котором машины будут более плавно перемещаться вместе с людьми, помогать в уходе за больными или обращаться с хрупкими предметами в промышленных условиях. Однако именно эта гибкость затрудняет их управление. Небольшие изгибы или повороты могут привести к непредсказуемым силам, повышая риск повреждения или травмы. Это обуславливает необходимость разработки стратегий безопасного управления для мягких роботов.
«Вдохновлённые достижениями в области безопасного управления и формальными методами для жёстких роботов, мы стремимся адаптировать эти идеи к мягкой робототехнике — моделируя их сложное поведение и принимая контакт, а не избегая его — чтобы обеспечить более высокую производительность (например, большую грузоподъёмность и точность) без ущерба для безопасности или воплощённого интеллекта», — говорит ведущий старший автор и доцент MIT Джоеле Зардини, главный исследователь в LIDS и на кафедре гражданского и экологического инжиниринга, а также сотрудник факультета Института данных, систем и общества (IDSS).
Безопасность прежде всего
Команда разработала новую систему, которая сочетает нелинейную теорию управления (управление системами с высокосложной динамикой) с передовыми методами физического моделирования и эффективной оптимизацией в реальном времени для обеспечения того, что они называют «безопасностью при контакте».
В основе подхода лежат функции высокого порядка управления барьерами (HOCBFs) и функции высокого порядка управления Ляпунова (HOCLFs). HOCBFs определяют безопасные рабочие границы, гарантируя, что робот не будет прилагать небезопасные силы. HOCLFs направляют робота к выполнению задач, балансируя безопасность и производительность.
«По сути, мы учим робота знать свои пределы при взаимодействии со средой, одновременно достигая своих целей», — говорит Киван Вонг, аспирант MIT, ведущий автор статьи, описывающей эту систему. «Подход включает в себя сложное описание динамики мягких роботов, моделей контакта и ограничений управления, но спецификация целей управления и барьеров безопасности довольно проста для практикующего специалиста, а результаты весьма ощутимы, поскольку вы видите, как робот движется плавно, реагирует на контакт и никогда не создаёт небезопасных ситуаций».
Сочетание моделей мягких роботов, дифференцируемого моделирования и теории управления
В основе стратегии управления лежит дифференцируемая реализация так называемой кусочно-линейной модели динамики сегмента Коссера (PCS), которая предсказывает, как мягкий робот деформируется и где накапливаются силы. Эта модель позволяет системе предвидеть, как тело робота будет реагировать на активацию и сложные взаимодействия со средой.
Дополняет её дифференцируемая консервативная теорема разделяющих осей (DCSAT), которая оценивает расстояния между мягким роботом и препятствиями в среде, которые можно аппроксимировать цепью выпуклых многоугольников дифференцируемым образом. «Более ранние дифференцируемые метрики расстояния для выпуклых многоугольников либо не могли вычислить глубину проникновения — что необходимо для оценки контактных сил — либо давали неконсервативные оценки, которые могли поставить под угрозу безопасность», — говорит Вонг. «Вместо этого метрика DCSAT возвращает строго консервативные, а значит, безопасные оценки, одновременно обеспечивая возможность быстрого и дифференцируемого вычисления».
Вместе PCS и DCSAT дают роботу прогнозирующее представление об окружающей среде для более проактивного и безопасного взаимодействия.
Впереди у команды — планы по распространению своих методов на трёхмерных мягких роботов и изучение интеграции со стратегиями, основанными на обучении. Объединив контактно-ориентированную безопасность с адаптивным обучением, мягкие роботы смогут работать в ещё более сложных и непредсказуемых условиях.
«Это то, что делает нашу работу захватывающей, — говорит Рус. — Вы можете видеть, как робот ведёт себя осторожно, по-человечески, но за этой грацией стоит строгая система управления, гарантирующая, что он никогда не выйдет за рамки дозволенного».
1. Какие технологии и подходы используются для обеспечения безопасности мягких роботов при взаимодействии с людьми и хрупкими предметами?
В статье описывается новая система управления, которая сочетает нелинейную теорию управления с передовыми методами физического моделирования и оптимизацией в реальном времени. Эта система использует функции высокого порядка управления барьерами (HOCBFs) и функции высокого порядка управления Ляпунова (HOCLFs) для обеспечения безопасности при контакте.
2. Какие проблемы возникают при управлении мягкими роботами и как их решает разработанная система?
Гибкость мягких роботов затрудняет их управление, поскольку небольшие изгибы или повороты могут привести к непредсказуемым силам, повышая риск повреждения или травмы. Разработанная система использует дифференцируемую реализацию кусочно-линейной модели динамики сегмента Коссера (PCS) и дифференцируемую консервативную теорему разделяющих осей (DCSAT) для прогнозирования деформации робота и оценки расстояний до препятствий.
3. Какие перспективы открывает использование мягких роботов в различных сферах деятельности?
Мягкие роботы обещают будущее, в котором машины будут более плавно перемещаться вместе с людьми, помогать в уходе за больными или обращаться с хрупкими предметами в промышленных условиях. Однако для этого необходимо разработать стратегии безопасного управления для мягких роботов.
4. Какие методы и подходы используются для моделирования динамики мягких роботов и оценки их взаимодействия со средой?
В статье описывается использование кусочно-линейной модели динамики сегмента Коссера (PCS) для прогнозирования деформации мягкого робота и дифференцируемой консервативной теоремы разделяющих осей (DCSAT) для оценки расстояний до препятствий. Эти методы позволяют системе предвидеть, как тело робота будет реагировать на активацию и сложные взаимодействия со средой.
5. Какие планы у команды разработчиков на будущее?
Команда планирует распространить свои методы на трёхмерных мягких роботов и изучить интеграцию со стратегиями, основанными на обучении. Это позволит мягким роботам работать в ещё более сложных и непредсказуемых условиях.