𝗘𝘅𝗽𝗹𝗮𝗶𝗻𝗮𝗯𝗹𝗲 𝗖𝗮𝘂𝘀𝗮𝗹 𝗥𝗟 𝘂𝗻𝘁𝘂𝗸 𝗣𝗲𝗺𝗲𝗹𝗶𝗵𝗮𝗿𝗮𝗮𝗻 𝗦𝗼𝗳𝘁 𝗥𝗼𝗯𝗼𝘁𝗶𝗰𝘀

Robot lunak (soft robots) menghadirkan masalah pemeliharaan yang unik. Berbeda dengan robot kaku, mereka menghadapi kelelahan material, pergeseran sensor (sensor drift), dan histeresis aktuator.

AI tradisional gagal di sini karena hanya mengandalkan korelasi. Dalam robotika lunak, masalah kecil di satu ruang (chamber) dapat menyebabkan kegagalan beruntun di ruang lainnya. Anda perlu memahami sebab dan akibat, bukan sekadar pola.

Saya mengembangkan Explainable Causal Reinforcement Learning (ECRL) untuk mengatasi hal ini. Sistem ini melakukan tiga hal:

• Causal Discovery: Sistem mempelajari bagaimana pembacaan sensor seperti tekanan dan regangan (strain) menyebabkan kegagalan. • Causal Inference: Sistem menjawab pertanyaan kontra-faktual. Ia bertanya, "Apa yang terjadi jika kita mengurangi tekanan sebesar 10%?" • Causal Policy Optimization: Sistem mempelajari tindakan yang menghormati struktur fisik robot.

Tantangan terbesarnya adalah batasan waktu nyata (real-time). Robot lunak beroperasi dalam skala waktu milidetik. Jika sebuah keputusan memakan waktu terlalu lama, robot akan rusak.

Saya membangun arsitektur dua tingkat untuk menangani hal ini:

  • A Fast Policy: Menangani keputusan waktu nyata yang segera.
  • A Causal Corrector: Berjalan di latar belakang untuk memeriksa apakah tindakan cepat tersebut aman.

Sistem ini mengurangi waktu henti (downtime) yang tidak terencana sebesar 73% dalam pengujian saya. Alih-alih kesalahan kotak hitam (black-box error), sistem ini memberikan alasan yang jelas untuk tindakannya. Sebagai contoh:

"Tekanan tinggi menyebabkan regangan pada ruang 2, yang memicu mikro-delaminasi. Mengurangi tekanan puncak akan menunda kegagalan."

Hal ini memungkinkan teknisi manusia untuk mempercayai AI dan bertindak dengan presisi.

Pelajaran yang dipetik:

  • Gunakan simulasi untuk pelatihan awal guna menghemat data dunia nyata.
  • Gunakan jaringan ringan agar pemeriksaan kausal tetap di bawah 2ms.
  • Terapkan penjelasan adaptif. Hanya berikan detail mendalam saat kegagalan kemungkinan besar terjadi untuk menghemat daya pemrosesan.

Source: https://dev.to/rikinptl/explainable-causal-reinforcement-learning-for-bio-inspired-soft-robotics-maintenance-under-57d8

Optional learning community: https://t.me/GyaanSetuAi