Hünerli robotik eller binlerce nesneyi kolaylıkla manipüle eder

Kredi: MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı

Henüz bir yaşında olan bir bebek, bir robottan daha hünerlidir. Elbette, makineler nesneleri alıp bırakmaktan daha fazlasını yapabilir, ancak bizler, keşfedici veya karmaşık hünerli manipülasyonlara yönelik doğal bir çekimi taklit edecek kadar uzakta değiliz.

OpenAI, daha genel yapay zekaya doğru bir adım olan ve ortak tekliden bir adım uzakta olan bir yazılımla bir Rubik küpünü çözmek için insansı robot ellerini kullanarak “Dactyl” (Yunanca daktylos kelimesinden gelen “parmak” anlamına gelir) ile bir deneme yaptı. görev zihniyeti. DeepMind, bir robotu nesneleri nasıl alıp istifleyeceğini öğrenmeye zorlayan vizyon tabanlı bir sistem olan “RGB-Stacking”i yarattı.

MIT’nin Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı’ndan (CSAIL) bilim adamları, insan yeteneklerini kopyalamak için makineler elde etme arayışında, daha büyük ölçekli bir çerçeve oluşturdular: robotik el ile iki binden fazla farklı nesneyi yeniden yönlendirebilen bir sistem hem yukarı hem aşağı dönük. Bir fincandan ton balığı konservesine ve bir Cheez-It kutusuna kadar her şeyi manipüle etme yeteneği, elin nesneleri belirli şekillerde ve konumlarda hızlı bir şekilde alıp yerleştirmesine ve hatta görünmeyen nesnelere genelleme yapmasına yardımcı olabilir.

Genellikle tek görevler ve dik konumlarla sınırlı olan bu ustalıklı “el işi”, lojistik ve üretimi hızlandırmada, nesneleri takmak için yuvalara paketlemek veya daha geniş bir alet yelpazesini ustaca manipüle etmek gibi ortak taleplere yardımcı olmak için bir varlık olabilir. Ekip, 24 derece serbestliğe sahip simüle edilmiş, antropomorfik bir el kullandı ve sistemin gelecekte gerçek bir robotik sisteme aktarılabileceğine dair kanıtlar gösterdi.

MIT CSAIL Ph.D, “Endüstride, kısmen kontroldeki basitliği nedeniyle en yaygın olarak paralel çeneli bir tutucu kullanılır, ancak fiziksel olarak günlük hayatta gördüğümüz birçok aleti kullanamaz” diyor. Öğrenci Tao Chen, Olasılıksız Yapay Zeka Laboratuvarı üyesi ve projedeki baş araştırmacı. “Bir pense kullanmak bile zor çünkü tek bir kolu ustaca ileri geri hareket ettiremiyor. Sistemimiz çok parmaklı bir elin bu tür araçları ustaca manipüle etmesine izin verecek ve bu da robotik uygulamalar için yeni bir alan açıyor.”

Bana yardım et

Bu tür “eldeki” nesne yeniden yönlendirmesi, kontrol edilecek çok sayıda motor ve parmaklar ile nesneler arasındaki temas durumundaki sık değişiklik nedeniyle robotikte zorlu bir sorun olmuştur. Ve iki binden fazla nesneyle modelin öğreneceği çok şey vardı.

El aşağı baktığında sorun daha da zorlaşıyor. Robotun yalnızca nesneyi manipüle etmesi değil, aynı zamanda düşmemesi için yerçekimini de aşması gerekiyor.

Ekip, basit bir yaklaşımın karmaşık sorunları çözebileceğini buldu. Derin öğrenme ve “öğretmen-öğrenci” eğitim yöntemi olarak adlandırılan bir şeyle modelsiz bir pekiştirmeli öğrenme algoritması (sistemin çevreyle etkileşimlerden değer işlevlerini bulması gerektiği anlamına gelir) kullandılar.

Bunun çalışması için, “öğretmen” ağı, parmak uçlarının konumu veya nesne hızı gibi simülasyonda kolayca bulunabilen, ancak gerçek dünyada olmayan nesne ve robot hakkındaki bilgiler üzerinde eğitilir. Robotların simülasyon dışında çalışabilmesini sağlamak için, “öğretmenin” bilgisi, kameralar tarafından yakalanan derinlik görüntüleri, nesne pozu ve robotun eklem konumları gibi gerçek dünyada elde edilebilecek gözlemlere damıtılır. Ayrıca, robotun ilk olarak sıfır yerçekimi ortamında beceriyi öğrendiği ve ardından denetleyiciyi yavaş yavaş normal yerçekimi koşuluna uyarladığı bir “yerçekimi müfredatı” kullandılar; bu, işleri bu hızda çekerken genel performansı gerçekten geliştirdi.

Görünüşte mantıksız görünse de, tek bir kontrolör (robotun beyni olarak bilinir), daha önce hiç görmediği çok sayıda nesneyi şekil bilgisi olmadan yeniden yönlendirebilir.

Araştırmayla ilgili makalenin yazarı MIT profesörü Pulkit Agrawal, “İlk başta robot nesneyi manipüle ederken şekil çıkarımı için görsel algı algoritmalarının birincil zorluk olacağını düşündük” diyor. “Aksine, sonuçlarımız kişinin şekil agnostik olan sağlam kontrol stratejileri öğrenebileceğini gösteriyor. Bu, görsel algının manipülasyon için düşünmeye alıştığımızdan çok daha az önemli olabileceğini ve daha basit algısal işleme stratejilerinin yeterli olabileceğini gösteriyor.”

Birçok küçük, dairesel şekilli nesne (elmalar, tenis topları, misketler), el yukarı ve aşağı bakacak şekilde yeniden yönlendirildiklerinde yüzde yüze yakın başarı oranlarına sahipti ve şaşırtıcı olmayan bir şekilde kaşık gibi daha karmaşık nesneler için en düşük başarı oranlarına sahipti. otuza yakın bir tornavida veya makas.

Başarı oranları nesne şekline göre değiştiğinden, sistemi vahşi hale getirmenin ötesinde, ekip gelecekte modeli nesne şekillerine dayalı olarak eğitmenin performansı artırabileceğini belirtiyor.

Chen, MIT CSAIL Ph.D. ile birlikte araştırma hakkında bir makale yazdı. öğrenci Jie Xu ve MIT profesörü Pulkit Agrawal. 2021 Robot Öğrenimi Konferansı’nda (CoRL) sunulacaktır.


Robotik hünerli manipülasyon becerilerini simülasyonlardan gerçek robotlara aktarmak için bir sistem


Daha fazla bilgi:
Genel Eldeki Nesne Yeniden Yönlendirme Sistemi. openreview.net/forum?id=7uSBJDoP7tY

Massachusetts Teknoloji Enstitüsü tarafından sağlanmıştır

Alıntı: Hünerli robotik eller binlerce nesneyi kolaylıkla manipüle ediyor (2021, 8 Kasım), 19 Kasım 2021’de https://techxplore.com/news/2021-11-dexterous-robotic-thousands-ease.html adresinden alındı.

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#Hünerli #robotik #eller #binlerce #nesneyi #kolaylıkla #manipüle #eder