Всего в год ребенок более ловок, чем робот. Конечно, машины могут делать больше, чем просто поднимать и опускать предметы, но мы еще не дошли до того уровня, чтобы воспроизвести действительно ловкие манипуляциям.
Ученые из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) создали масштабную систему, которая может переориентировать более 2000 различных объектов с помощью руки робота. как вверх, так и вниз. Эта способность манипулировать чем угодно, от чашки до банки с консервами, может помочь руке быстро подбирать и размещать объекты определенным образом и в определенном месте.
Эта искусная «ручная работа», которая обычно ограничивается одиночными задачами и вертикальным положением, может быть преимуществом для ускорения логистики и производства, помогая с общими требованиями, такими как упаковка предметов в слоты для комплектования или ловкое манипулирование более широким спектром инструментов. Команда использовала смоделированную антропоморфную руку с 24 степенями свободы и продемонстрировала доказательства того, что система может быть перенесена в настоящую роботизированную систему в будущем.
«В промышленности чаще всего используется захват с параллельными губками, частично из-за простоты управления, но ьакой способ физически неспособен работать со многими инструментами, которые мы видим в повседневной жизни», — говорит аспирант MIT CSAIL Тао Чен, член MIT Improbable AI Lab и ведущий исследователь проекта . «Даже использовать плоскогубцы сложно, потому что они не могут ловко перемещать одну ручку вперед и назад. Наша система позволит многопалой руке ловко манипулировать такими инструментами, что откроет новую область для приложений робототехники ».
Этот тип переориентации объекта «в руке» был сложной проблемой в робототехнике из-за большого количества двигателей, которыми нужно было управлять, и частого изменения состояния контакта между пальцами и объектами. А с более чем 2000-ми объектов модели нужно было многому научиться.
Проблема становится еще более сложной, когда рука смотрит вниз. Роботу необходимо не только манипулировать объектом, но и преодолевать гравитацию, чтобы не упасть.
Команда обнаружила, что простой подход может решить сложные проблемы. Они использовали безмодельный алгоритм обучения с подкреплением (это означает, что система должна вычислять функции ценности на основе взаимодействия с окружающей средой) с глубоким обучением и так называемый метод обучения «учитель-ученик».
Чтобы это работало, сеть «учителей» обучается на информации об объекте и роботе, которая легко доступна в моделировании, но не в реальном мире, такой как расположение кончиков пальцев или скорость объекта. Чтобы гарантировать, что роботы могут работать вне симуляции, знания «учителя» превращаются в наблюдения, которые могут быть получены в реальном мире, такие как изображения глубины, снятые камерами, положение объекта и положение суставов робота. Разработчики также использовали «учебную программу по гравитации», в которой робот сначала изучает навык в условиях невесомости, а затем медленно адаптирует контроллер к нормальным условиям гравитации, что при таком темпе действительно улучшает общую производительность.
Хотя это может показаться нелогичным, один контроллер (известный как мозг робота) может переориентировать большое количество объектов, которые он никогда раньше не видел, и без знания формы.
«Первоначально мы думали, что алгоритмы визуального восприятия для определения формы, в то время как робот манипулирует объектом, будут основной проблемой», — говорит профессор Массачусетского технологического института Пулкит Агравал, автор статьи об исследовании. «Напротив, наши результаты показывают, что можно изучить надежные стратегии управления, которые не зависят от формы. Это говорит о том, что визуальное восприятие может быть гораздо менее важным для манипуляции, чем то, к чему мы привыкли, и может быть достаточно для более простых стратегий обработки восприятия ».
Помимо вывода системы на рынок, поскольку в будущем показатели успеха зависят от формы объекта, команда отмечает, что обучение модели на основе форм объектов может улучшить производительность.
Иллюстрация: Массачусетский технологический институт
Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК