De grammatica van robotdesign

Alexander Pil
2 december 2020

Je hebt dus een robot nodig die trap kan lopen. Welke vorm moet die robot hebben? Twee benen zoals een mens of zes zoals een mier? Het kiezen van de juiste vorm is essentieel voor het vermogen van je robot om een bepaald terrein te doorkruisen. En het is onhaalbaar om elke mogelijke vorm te bouwen en te testen. MIT ontwikkelde een systeem om ze te simuleren en te bepalen welk ontwerp het beste werkt.

Beeld: MIT

Je begint door het Robogrammar-systeem te vertellen welke robotonderdelen er in je werkplaats rondslingeren – wielen, gewrichten, enz. Je vertelt het ook op welk terrein je robot moet navigeren. En Robogrammar doet de rest en genereert een geoptimaliseerde structuur en besturingsprogramma voor je robot.

‘Robotontwerp is nog steeds een zeer handmatig proces’, zegt Allan Zhao, promovendus in het MIT Computer Science and Artificial Intelligence Laboratory (CSAIL). Hij beschrijft Robogrammar als ‘een manier om met nieuwe, meer inventieve robotontwerpen te komen die mogelijk effectiever zouden kunnen zijn’.

Robots zijn gebouwd voor een bijna eindeloze hoeveelheid aan taken, maar ‘ze lijken allemaal erg op elkaar qua vorm en ontwerp’, aldus Zhao. ‘Als je bijvoorbeeld een robot wil bouwen die verschillende terreinen moet oversteken, denk je meteen naar een viervoeter. We vroegen ons af of dat echt het optimale ontwerp is.’

 advertorial 

Machine Learning Conference: online event series

The online Machine Learning Conference will be divided into multiple afternoon sessions. Attend the presentations of Anjan Gantapara (ASML) and Sumeet Kumar (Innatera Nanosystems) on 29 April. Get access to the online event including virtual networking, register here.

Het team van Zhao dacht dat een innovatiever ontwerp de functionaliteit zou kunnen verbeteren. Dus bouwden ze een computermodel voor de taak – een systeem dat niet al te veel werd beïnvloed door bestaande conventies. En hoewel inventiviteit het doel was, moest Zhao enkele basisregels opstellen.

Het universum van mogelijke robotvormen is ‘voornamelijk gevuld met onzinnige ontwerpen’, schrijft Zhao. ‘Als je de onderdelen op willekeurige manieren kunt verbinden, krijg je een warboel.’ Om dat te voorkomen, ontwikkelde zijn team een ‘grafische grammatica’ – een reeks beperkingen voor de opstelling van de componenten van een robot. Aangrenzende beensegmenten moeten bijvoorbeeld worden verbonden met een gewricht, niet met een ander beensegment. Dergelijke regels zorgen ervoor dat elk door de computer gegenereerd ontwerp werkt, althans op een rudimentair niveau.

Zhao zegt dat de regels van zijn grammatica niet zijn geïnspireerd door andere robots, maar door dieren – met name geleedpotigen. ‘Ze worden gekenmerkt door een centraal lichaam met een variabel aantal segmenten. Aan sommige segmenten zitten mogelijk poten’, zegt Zhao. ‘We hebben gemerkt dat dat genoeg is om niet alleen geleedpotigen te beschrijven, maar ook meer bekende vormen zoals inclusief viervoeters.’ Overigens liet Zhao de computer wel toe om bijvoorbeeld wielen te introduceren in plaats van poten.

Iteratief

Robogrammar gebruikt Zhao’s grammaticaregels om honderdduizenden potentiële robotstructuren te ontwerpen. Sommige zien er een beetje uit als een raceauto. Anderen lijken op een spin of een persoon die een push-up doet. ‘Het was behoorlijk inspirerend voor ons om de verscheidenheid aan ontwerpen te zien’, aldus Zhao. Maar hoewel de grammatica de hoeveelheid kan doen toenemen, zijn de ontwerpen niet altijd van optimale kwaliteit.

Om het beste robotontwerp te kiezen, moeten de bewegingen van elke robot worden geregeld en de functie geëvalueerd. ‘Tot nu toe zijn deze robots slechts structuren’, zegt Zhao. De controller is de set instructies die ze tot leven brengt en die de bewegingsvolgorde van de verschillende motoren van de robot bepaalt. Het team ontwikkelde voor elke robot een controller met een Model Predictive Control-algoritme, dat prioriteit geeft aan snelle voorwaartse bewegingen. ‘De vorm en de besturing van de robot zijn diep met elkaar verweven’, zegt Zhao. ‘Daarom moeten we een controller voor elke robot afzonderlijk optimaliseren.’

Zodra elke gesimuleerde robot vrij is om te bewegen, zoeken de onderzoekers naar goed presterende robots met een graph heuristic search. Dit neuraal-netwerkalgoritme neemt iteratief monsters en evalueert sets van robots, en het leert welke ontwerpen de neiging hebben om beter te werken voor een bepaalde taak. Zhao: ‘De heuristische functie verbetert in de loop van de tijd en zo convergeert de zoektocht naar de optimale robot.’

Een verrassend resultaat van het project? ‘De meeste ontwerpen werden uiteindelijk vierpotig’, zegt Zhao. Misschien hadden robotontwerpers gelijk dat ze de hele tijd voor viervoeters kiezen.