为了使软件能够机器人为了更好地控制自己，麻省理工学院的研究人员开发了一种算法，帮助工程师收集更多关于他们周围环境的有用信息。
这项研究于2月2日发表在IEEE上。机器人和自动化通信，标题为“软机器人的任务和传感器放置的共同学习”(soft机器人任务和传感器放置的协作学习)，第一作者是麻省理工学院计算机科学和人工智能实验室的安德鲁·斯皮尔伯格。
传统金属机器人不适合执行一些需要复杂动作的任务，但软件机器人虽然可以做到，但需要一个复杂的控制系统，首先要对自身有充分的“感知”。对于柔软的，几乎无限的变形机器人总的来说，这是一项艰巨的任务。
以前的方法是用外接摄像头画画。机器人位置图，然后将这些信息反馈给机器人在的控制程序中。但是研究人员想做一个不需要外力的软件。机器人。麻省理工学院研究人员开发的深度学习算法依赖于机器人体内优化传感器的放置，使其能够更好地与环境交互，完成分配的任务。
关键问题是，机器人可以放置在身体上的传感器的数量是有限的。需要多少个传感器，放在哪里才能达到最好的效果，这是研究的目标。
首先，研究人员将机器人我们的身体被划分为“粒子”区域，每个粒子的应变率作为神经网络的输入值。通过一个试错的过程，网络“学习”完成任务最有效的动作序列，比如抓取不同大小的物体。同时，神经网络将跟踪哪些粒子使用最频繁，并将从后续实验的输入集中消除使用较少的粒子。
通过优化最重要的粒子，神经网络还将提供放置传感器的建议，以确保高效率。例如，在带有夹爪的模拟中。机器人算法可能会建议传感器集中在手指周围、手指周围和手指周围，并精确控制与环境的交互。机器人操纵物体的能力至关重要。虽然这看起来很明显，但结果是在传感器建议的位置上，算法远远超过了人类的直觉。