算法设计具有感知能力的软机器人
有些任务是传统机器人——刚性的和金属的——无法执行的。软体机器人可能能够更安全地与人互动或轻松滑入狭小空间。但要让机器人可靠地完成其编程任务，它们需要知道所有身体部位的下落。对于一个可以无限变形的软体机器人来说，这是一项艰巨的任务。
研究人员开发了一种算法来帮助工程师设计软机器人，以收集有关其周围环境的更多有用信息。深度学习算法建议在机器人体内优化传感器放置，使其能够更好地与环境交互并完成分配的任务。这一进步是朝着机器人设计自动化迈出的一步。该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该任务。
创建完成现实世界任务的软机器人一直是机器人技术的挑战。刚性机器人有一个内在优势：运动范围有限。刚性机器人的有限关节和肢体阵列通常通过控制映射和运动规划的算法进行可管理的计算。软机器人不是那么容易驾驭。
软体机器人灵活而柔顺——它们通常感觉更像是一个弹力球而不是保龄球。理论上，软体机器人上的任何点都可以以任何可能的方式变形。这使得设计一个可以映射其身体部位位置的软机器人变得很困难。过去的努力使用外部摄像头来绘制机器人的位置并将该信息反馈回机器人的控制程序。但研究人员想创造一个不受外部援助束缚的软机器人。
他们开发了一种新颖的神经网络架构，既可以优化传感器放置，又可以学习有效地完成任务。首先，他们将机器人的身体分成称为“粒子”的区域。每个粒子的应变率作为神经网络的输入提供。通过反复试验，网络“学习”了完成任务的最有效的动作序列，例如抓取不同大小的物体。同时，网络跟踪哪些粒子最常使用，并从输入集中剔除使用较少的粒子，用于网络后续试验。
通过优化最重要的粒子，该网络还建议在机器人上放置传感器的位置以确保高效性能。在具有抓握手的模拟机器人中，该算法可能表明传感器集中在手指内和手指周围，精确控制与环境的交互对于机器人操纵物体的能力至关重要。虽然这看起来很明显，但事实证明，该算法在传感器放置位置的直觉上大大超过了人类的直觉。
这项工作可以帮助自动化机器人设计过程。除了开发控制机器人运动的算法外，设计人员还需要考虑如何在机器人上放置传感器，以及如何与该系统的其他组件相互作用。更好的传感器放置可能具有工业应用，尤其是在机器人用于抓取等精细任务的情况下。
传感器