Understanding of “Resilient Machines Through Continuous Self-Modeling”
目标:机器人恢复功能 (模仿动物的自我恢复能力)
目前,大多数机器人系统手动创建数学模型以获取机器人的运动(dynamics),然后进行运动规划。即使 参数识别(parametric identification) 可以自动改进这些模型,为复杂系统手动建立准确的模型是十分困难的,尤其在尝试处理机器人身体的拓扑变化(例如:损坏引起的改变)时。
Hod LIpson及其团队开发了一种 主动处理(active process) 方法,该方法通过不断的 自我建模(continuously self-modeling) 来进行自我恢复功能。
机器人能够通过自我指导的探索来间接推断自己的形态,然后使用所产生的self-modeling来综合新的行为。如果机器人的拓扑结构发生意外变化,则相同的过程将重新构造其内部self-modeling,从而产生定性上不同的补偿性行为,即自我恢复。
这个active process由三个算法部分组成: Modeling,testing,prediction。
- 机器人进行任意动作并且记录sensor获取的数据。
- model synthesis component使用随机优化算法合成一组15个候选self-models来解释观察到的sensory-actuation之间的关系。