模拟训练中的软体
软体机器人属于一个新的领域，它可能在诸如外科手术等领域发挥重要作用（手术时的纳米机器人需要在人体内部移动而不损伤软组织）。软体机器人通常由弹性、高柔韧性甚至有机材料制成，这为它们在传统刚性机器人无法胜任的角色中部署提供了机会。另外，高度灵活的软体机器人也很有可能成为制造业和仓库环境中的关键部件。
下个月即将在温哥华召开的神经信息处理系统（Neural Information Processing Systems）会议上，麻省理工学院的研究者将详细介绍一种优化软体机器人控制和设计的新方法。基于此方法，软体机器人将能够完成过去由于严重依赖计算能力而难以完成的任务。
软体机器人能够延展和操控自己形状，是极其灵活的。从计算的角度来看，这意味着它们有无数种运动方式，让计算机的训练任务变得极其繁重。
该项研究的第一作者、计算机科学与人工智能实验室（CSAIL）毕业生安德鲁·斯皮尔伯格（Andrew Spielberg）在博客中写道：“软体机器人是无限维的生物，在任意给定时刻都有上十亿种不同的弯曲方式，但事实上，软物体有其自然的弯曲方式。我们发现软体机器人的自然状态可以非常简洁地用低维来描述。我们通过学习对可能状态的良好描述来优化软体机器人的控制和设计。”
为了训练和开发他们的软体机器人程序，研究人员创建了一个模拟，以训练二维和三维软体机器人完成诸如抵达目标物体以及操控自身形状等任务。实验证明，该模拟中，机器人程序化运动的速度和精度都比复杂的传统方法有了显著提高。通常需要进行多达30000次模拟才能实现的优化，新方法只需400次。
在模拟中，一个名为“观察者”的程序计算所有变量，并监督一个软体机器人完成指定任务的情况。此前，研究人员设计了一簇包含机器人可进行的运动详细信息的particle（粒子仿真），如果机器人试图越过这些限制，则会被抵抗运动的制动器阻止。然而，手工设置所有这些规则是非常耗时的。
为了解决这个问题，研究人员创建了一个“循环学习优化（learning-in-the-loop optimization）”，其中所有参数都是在多个模拟中通过一个反馈循环来学习的。
麻省理工学院指出：“该模型采用了一种称为物质点法（MPM）的技术，该技术模拟由背景网格包围的连续物质（如泡沫和液体）的粒子行为。过程中，它将机器人及其可观察环境的粒子捕获为像素或三维像素，称为体素，无需任何额外计算。”
来自模拟的所有信息都由机器学习处理，机器学习创建一个压缩的低维粒子网格表示，然后可以用作机器人的状态表示。随后，控制器可以使用这些参数来调整每个粒子的最佳刚度，从而优化机器人的运动。在未来，软体机器人可以为特定任务以不同的刚度被3D打印出来。
