211service.com
Wyłącznie: to najbardziej zręczny robot, jaki kiedykolwiek stworzono
PÓŁ CYTRUS Citrus Media
Może nie wygląda to specjalnie, ale robot powyżej jest, zgodnie z nową miarą, najbardziej zręcznym, jaki kiedykolwiek stworzono. Wśród innych sztuczek może przeszukiwać twoją szufladę ze śmieciami z niezrównaną szybkością i umiejętnościami.
Kluczem do jego zręczności nie są mechaniczne chwytaki, ale mózg. Robot używa oprogramowania o nazwie Dex-Net, aby określić, jak z niewiarygodną wydajnością podnosić nawet dziwnie wyglądające obiekty.
Dex-Net został opracowany przez Ken Goldberg , profesor na Uniwersytecie Kalifornijskim w Berkeley i jeden z jego studentów, Jeff Mahler. Oprogramowanie działa na gotowej maszynie przemysłowej wyprodukowanej przez ABB, szwajcarską firmę zajmującą się robotyką. Goldberg zademonstrował najnowszą wersję swojego systemu na EmTech Digital, wydarzeniu w San Francisco zorganizowanym przez Przegląd technologii MIT i poświęcony sztucznej inteligencji.
System Goldberga jest znacznie bliższy zręczności człowieka niż cokolwiek opracowanego wcześniej. Roboty przemysłowe o większej zręczności mogą znaleźć zastosowanie w magazynach i fabrykach, a także w szpitalach i domach.
Szczególnie sprytne w Dex-Net jest to, jak uczy się chwytać. Oprogramowanie próbuje pobierać obiekty w środowisku wirtualnym, trenując głęboką sieć neuronową metodą prób i błędów. Nawet w symulacji jest to pracochłonne zadanie. Co najważniejsze, Dex-Net może uogólniać z obiektu, który widział wcześniej, na nowy. Robot będzie nawet szturchał przedmiot, aby lepiej mu się przyjrzeć, jeśli nie jest pewien, jak należy go uchwycić. Najnowsza wersja systemu zawiera czujnik 3D o wysokiej rozdzielczości i dwa ramiona, każde sterowane przez inną sieć neuronową. Jedno ramię jest wyposażone w konwencjonalny chwytak robota, a drugie w system ssący. Oprogramowanie robota skanuje obiekt, a następnie analizuje obie sieci neuronowe, aby w locie zdecydować, czy bardziej sensowne jest chwytanie lub ssanie tego konkretnego obiektu.
Badacze z UC Berkeley opracowali również lepszy sposób mierzenia wydajności robota kompletującego: wskaźnik zwany średnimi kompletacjami na godzinę, który jest obliczany poprzez pomnożenie średniego czasu na kompletację i średniego prawdopodobieństwa sukcesu dla spójnego zestawu obiektów.
Nowa metryka pomoże laboratoriom badawczym pracującym nad wybieraniem robotów dzielić się swoimi wynikami. Rozmawialiśmy o tym, jak dostosować nasze wyniki, aby zobaczyć postęp, mówi Goldberg. Wszystko zależy od tego, jakiego robota używasz, jakiego czujnika używasz i – co bardzo ważne – jakich przedmiotów używasz.
Jeremy Portje
Ludzie są w stanie wykonać od 400 do 600 średnich kilofów na godzinę. W konkursie zorganizowanym niedawno przez Amazon najlepsze roboty osiągały od 70 do 95. Nowa maszyna osiąga od 200 do 300 średnich pobrań na godzinę, mówi Goldberg. Wyniki zostaną zaprezentowane na konferencji w Australii jeszcze w tym roku.
Podczas swojej prezentacji Goldberg dodał, że w ciągu pięciu lat spodziewa się, że roboty osiągną „ludzkie, a nawet nadludzkie średnie wyniki na godzinę”.
Chwytanie i manipulowanie niezręcznymi i nieznanymi przedmiotami to fundamentalne wyzwanie w robotyce, które powstrzymuje tę technologię. Na przykład roboty znalezione w fabrykach samochodów są szybkie i precyzyjne, ale nie mają możliwości dostosowania się do zmieniającego się lub nieznanego otoczenia. Oprócz pracy w fabrykach lub magazynach, bardziej wyrafinowane manipulacje mogą doprowadzić do powstania pierwszych użytecznych robotów pomagających ludziom w miejscach takich jak szpitale i ośrodki opieki nad osobami starszymi.
Ostatnie postępy w tym aspekcie robotyki są wynikiem kilku równoczesnych trendów. Mniejsze, bezpieczniejsze roboty rozprzestrzeniły się, pojawiły się nowe rodzaje chwytaków końcowych i – co najważniejsze – poczyniono duże postępy w uczeniu maszynowym.
Jeff Mahler, absolwent Uniwersytetu Kalifornijskiego w Berkeley, konfiguruje system robotów Dex-Net. Adriel Olmos
Oprócz pracy i badań Goldberga w kilku innych laboratoriach akademickich, badacze w miejscach takich jak DeepMind oraz Otwórz AI zaczęli badać, w jaki sposób uczenie maszynowe może być wykorzystane do uczynienia robotów inteligentniejszymi i bardziej elastycznymi. Postępy w robotyce mogą zostać wykorzystane w innych obszarach sztucznej inteligencji, takich jak percepcja.
Uczenie maszynowe ma bezprecedensowy wpływ na robotykę, mówi Russ Tedrake, profesor na MIT, który widział demonstrację robota UC Berkeley. Rozmnażanie robotów do takiego stopnia, że w końcu mamy duże zbiory danych dla robotyki, ma niesamowitą wartość.