麻省理工的新算法，可以让软体机器人无限变形

为了让软体机器人更好地控制自己，麻省理工学院的研究人员已经开发出一种算法来帮助工程师，以收集更多关于周围环境的有用信息。

研究于2月2日发表在《IEEE机器人与自动化通讯》上，标题为“Co-Learning of Task and Sensor Placement for Soft Robotics”(软机器人任务与传感器布置的协同学习)，第一作者为麻省理工学院计算机科学和人工智能实验室的Andrew Spielberg。

传统金属机器人不适合执行一些需要复杂动作的任务，但是，软体机器人虽然可以做到，却需要复杂的控制系统，首先要对其自身有充分的“感知”。对于几乎可以无限变形的软机器人来说，这是一项艰巨的任务。

过去的方法是使用外部摄像机来绘制机器人位置图，再将这些信息反馈到机器人的控制程序中。但是研究人员想制造一个不需外部力量的软体机器人。麻省理工学院研究人员开发的深度学习算法，依靠在机器人体内优化放置传感器，使其能够更好地与环境交互并完成分配的任务。

关键的问题是，机器人身上能放置的传感器数量是有限的，需要多少传感器、放在哪里能达到最优效果，这是研究的目标。

首先，研究人员将机器人的身体分成“粒子”区域，每个粒子的应变率都作为神经网络的输入值。通过一个反复的尝试和错误过程，网络“学习”最有效的动作序列来完成任务，比如抓取不同大小的物体。同时，神经网络会跟踪哪些粒子使用最频繁，并且会从后续试验的输入集中剔除使用较少的粒子。

通过优化最重要的粒子，该神经网络还会提供安放传感器的建议，以确保高效性能。例如，在一个有抓手的模拟机器人中，该算法可能建议传感器集中在手指周围，在手指周围和手指周围，精确控制与环境的交互对机器人操纵物体的能力至关重要。虽然这看起来很明显，但它的结果是，在传感器建议的位置上，该算法远远超过了人类的直觉。