说起软体机器人，或许很多人并不陌生。软体机器人的发展离不开材料科学、机器人学、生物力学、传感与控制等多学科的进步。近年来，相关学科发展迅速，各种软体机器人也开始崭露头角。在ICRA2017机器人与自动化国际会议上，参与发明达芬奇手术机器人的香港中文大学机械与自动化工程系副教授SamuelAu表示：软体机器人广泛应用于医疗领域，甚至会改造医疗机器人。范例。软体机器人是手术机器人的最终目标。当然，除了医疗领域，软体机器人还有广阔的市场——玩具。在这个市场上，迪士尼对软体机器人颇为关注。就在去年，迪斯尼研究中心赋予软体机器人基于算法和特殊拉伸传感器的“本体感受”能力。最近，由世界领先的机器人专家之一DanielaRus教授领导的麻省理工学院CSAIL做了类似的事情：根据他们开发的算法，软机器人内部的传感器得到了优化，因此它们可以更好地导航环境。感受自己并与环境互动。一篇名为Co-LearningofTaskandSensorPlacementforSoftRobotics的相关论文将于2021年4月在IEEE软机器人国际会议上发表。让软体机器人回答“我在哪里？”很多人的印象是机器人有着坚硬的外壳，金属感十足。这是传统的刚性机器人。通常，用于控制映射和运动规划的刚性机器人关节、四肢和算法的有限阵列在计算上是易于处理的。与刚性机器人不同，软体机器人在结构和材料上都是非线性的，具有多个自由度，因此其运动任务更为复杂，因此对算法的要求非常高。正如论文所介绍的：软体机器人必须在一个无限维的状态空间中进行推理，映射这个连续的状态空间并不简单（尤其是在基于有限的离散传感器集工作时，毕竟传感器位置对机器人来说很重要任务。学习模型的丰富性具有深远的影响）。通俗地说，上面这段话的意思是，如果软体机器人要可靠地完成程序设定的任务，就需要知道自己所有的身体部位在哪里，而由于软体机器人几乎可以无限变形，这个任务是相当困难的.为了让软体机器人回答“我在哪里？”的问题，科学家以往的策略是使用外部摄像头来映射机器人的位置，并将信息反馈到机器人的控制程序中。但是MITCSAIL有一个想法：创造一个不需要外界帮助的软体机器人。从研究团队的角度来看：不可能在机器人身上安装无数个传感器。真正的问题是：有多少个传感器以及传感器应该放置在哪里才能获得最大的性价比？为此，MITCSAIL专注于深度学习。他们开发了一种算法，可以帮助工程师设计软体机器人，收集有关周围环境的更多有用信息。具体来说，这种新的传感器放置和复杂任务表示的协作学习可以处理机载传感器信息以学习显着和稀疏位置选择，优化机器人体内的传感器放置，并保证机器人的最佳任务。表现。论文的合著者之一亚历山大·阿米尼表示：系统不仅可以学习给定的任务，还可以学习如何最好地设计机器人来解决任务。传感器放置是一个非常难解决的问题，因此这个解决方案非常令人兴奋。该论文表明，由于许多软机器人本质上都是节点状的，因此新架构采用了基于点云的学习和概率稀疏化。他们的方法将传感器设计视为学习的双重过程，将物理设计和数字设计结合在一个端到端的训练过程中。在论文中，研究人员将这种架构称为PSFE网络（即pointsparsificationandfeatureextractionnetwork，点稀疏化和特征提取网络）。PSFE网络能够同时学习传感器读数表示和传感器位置。如下图所示，PSFE网络是研究团队所做的所有演示和应用的核心——演示包括物体抓取预测(B)、学习本体感觉(C)和控制(D)。事实证明，在传感器放置方面，该算法远远优于人类的直觉！总之，这项工作的主要贡献是：应变和应变率的测量：用于推理软机器人状态的神经结构；适用于下游任务的最小集稀疏概率传感器表示；自动化和人工基线算法；在两个任务中演示任务学习和传感器放置协同设计（7种软机器人形态的触觉感知和本体感受）。该论文的合著者之一安德鲁斯皮尔伯格说：“我们的工作可以帮助实现机器人设计的自动化。除了开发控制机器人运动的算法外，我们还需要考虑这些机器人将如何感知并与其他组件交互机器人。如果将来在工业上应用，影响可能是立竿见影的。关于作者这篇论文的作者是三位麻省理工学院CSAIL博士候选人，包括AndrewSpielberg，以及两位麻省理工学院教授DanielaRus和WojciechMatusik。五位作者中，最著名的是DanielaRus教授。【图片来源HyperAISuperNeural】DanielaRus是MITCSAIL主任，AndrewandErnaViterbi电气工程与计算机科学教授，IEEEFellow，AAAIFellow，美国国家工程院院士，并获得康奈尔大学计算机科学博士学位，主要研究领域包括机器人、移动计算和数据科学。不久前，福布斯人工智能专栏作家和风险投资公司HighlandCapitalPartners风险投资专家RobToews撰写了一篇文章，列出了AI领域的8位具有代表性的女性领导者。这8位女性领导者包括李飞飞，NVIDIA工程副总裁，Coursera的创始人，也有丹妮拉罗斯的名字。2016年，雷锋网小编与丹妮拉·鲁斯进行了一次深度对话。当被问及“机器学习还是深度学习最终能否帮助我们创造通用人工智能（AGI）”时，这位AI大师表示，目前还无法判断深度学习最终能否实现AGI。在她看来，深度学习可以说是潜力巨大，但也存在一些问题：深度学习需要大量的数据进行训练，这意味着它需要深刻的理解，而通用智能的学习方式应该是更“一般”“没错。深度学习还是会犯错。我们其实对深度学习是如何工作的，或者为什么它工作得这么好，我们并不太了解。也就是说，这个问题只有当我们对深度学习甚至我们自己。当时，DanielaRus也承认他最感兴趣的研究领域是机器人学：我们正在研究如何制造更好的自动化系统，这可以深刻地改变世界。改变人们获得事物的方式完成并让我们更好地理解彼此。如果我们能够制造出一个行为像生物的机器。那么这个机器的内部原理可能与生物的原理相似，我们可能能够深入en我们通过这种研究了解自己。现在看来，由DanielaRus领导的MITCSAIL又向自动化系统迈出了一步。
