211service.com
Jak roboty mogą szybko uczyć się nawzajem chwytania nowych obiektów
Chwycenie długopisu lub okularów przeciwsłonecznych może być łatwe dla ciebie lub dla mnie, ale dla robota jest to piekielnie trudne, zwłaszcza jeśli dany przedmiot jest nieznany lub znajduje się w niewygodnej pozycji.
Baxter w laboratorium Stefanie Tellex próbuje uchwycić dwa przedmioty naraz.
Jednak praktyka czyni mistrza, jak udowadnia jeden robot. Uczy się chwytać wszelkiego rodzaju przedmioty przez godziny powtarzania. Robot używa różnych kamer i czujników podczerwieni, aby spojrzeć na nieznany obiekt pod różnymi kątami, zanim spróbuje go podnieść. Następnie robi to za pomocą kilku różnych chwytów, potrząsając przedmiotem, aby upewnić się, że jest bezpiecznie trzymany. Robotowi może zająć dziesiątki prób, aby znaleźć właściwy chwyt, a dziesiątki więcej, aby upewnić się, że przedmiot się nie ześlizgnie.
Może się to wydawać żmudnym procesem, ale gdy robot nauczy się, jak coś podnieść, może podzielić się tą wiedzą z innymi robotami, które mają te same czujniki i chwytaki. Badacze stojący za tym wysiłkiem mają ostatecznie nadzieję, że setki robotów wspólnie nauczą się, jak pojmować milion różnych rzeczy.
Praca została wykonana przez Stephanie Tellex , adiunkt na Brown University, wraz z jednym ze swoich doktorantów, John Oberlin . Użyli dwuramiennego robota przemysłowego o nazwie Baxter, wyprodukowanego przez firmę z Bostonu Przemyśl robotykę .
Na Northeast Robotics Colloquium, wydarzeniu, które odbyło się w Worcester Polytechnic Institute w tym miesiącu, Oberlin zademonstrował publiczności zdolności chwytające robota.
Umożliwienie robotom łatwiejszego manipulowania przedmiotami jest jednym z największych wyzwań dzisiejszej robotyki i może mieć duże znaczenie przemysłowe (patrz Roboty wybierające półki będą rywalizować o nagrodę Amazon).
Tellex mówi, że naukowcy zajmujący się robotyką coraz częściej szukają bardziej wydajnych sposobów szkolenia robotów do wykonywania zadań, takich jak manipulacja. Mamy teraz potężne algorytmy — takie jak głębokie uczenie — które mogą uczyć się na dużych zbiorach danych, ale te algorytmy wymagają danych — mówi. Ćwiczenia z robotami to sposób na zdobycie danych potrzebnych robotowi do nauki solidnego manipulowania przedmiotami.
Tellex zauważa również, że obecnie w różnych laboratoriach badawczych na całym świecie jest około 300 robotów Baxter. Mówi, że gdyby każdy z tych robotów używał obu rąk do badania nowych obiektów, mogliby nauczyć się chwytać milion obiektów w 11 dni. Mówi, że dzięki temu, że roboty dzielą się tym, czego się nauczyły, możliwe jest zwiększenie szybkości zbierania danych o rzędy wielkości.
Aby uchwycić każdy obiekt, robot badaczy Brown skanuje go pod różnymi kątami za pomocą jednej z kamer w jego ramionach i czujników podczerwieni na jego ciele. Pozwala to zidentyfikować możliwe miejsca, w których można się uchwycić. Naukowcy wykorzystali technikę matematyczną, aby zoptymalizować proces ćwiczenia różnych chwytów. Dzięki tej technice robot zespołu Baxter zbierał obiekty aż o 75 procent bardziej niezawodnie niż przy użyciu zwykłego oprogramowania. Informacje uzyskane dla każdego obiektu — obrazy, skany 3D i prawidłowy uchwyt — są zakodowane w formacie umożliwiającym ich udostępnianie online.
Inne grupy opracowują metody pozwalające robotom uczyć się wykonywania różnych zadań, w tym chwytania. Jednym z najbardziej obiecujących sposobów, aby to osiągnąć, jest głębokie uczenie z wykorzystaniem tak zwanych sieci neuronowych, które są symulacjami luźno wzorowanymi na sposobie, w jaki nerwy w mózgu przetwarzają informacje i uczą się (patrz Robot Toddler uczy się stać przez „wyobrażanie sobie”, jak to zrobić ).
Chociaż ludzie nabywają zdolność chwytania poprzez uczenie się, dziecko nie musi spędzać tak dużo czasu na zajmowaniu się różnymi przedmiotami i może wykorzystać wcześniejsze doświadczenie, aby bardzo szybko dowiedzieć się, jak podnieść nowy przedmiot. Tellex mówi, że ostatecznym celem jej projektu jest zapewnienie robotom podobnych możliwości. Naszym długoterminowym celem jest wykorzystanie tych danych do uogólnienia na nowe obiekty, mówi.