Техника глубокого обучения для улучшения того, как роботы понимают объекты

Unsplash/CC0

Роботы должны быть обучены, как лучше всего поднять и удерживать объекты, выполняя различные задачи.Это часто сложный процесс, учитывая, что робот также может столкнуться с объектами, с которыми он никогда не сталкивался раньше.

Исследовательская группа по автономным интеллектуальным системам Университета Бонна (AIS) недавно разработала новый учебный конвейер для улучшения способности роботизированной руки манипулировать объектами таким образом, чтобы лучше поддерживать их практическое использование.Их подход, представленный в статье, опубликованной на сервере Pre-Print Arxiv, может способствовать разработке роботизированных помощников, которые могут выполнять ручные задачи более эффективно.

«Объект схватывается функционально, если его можно использовать, например: указательный палец на триггере тренировки», - сказал Tech Xplore, один из исследователей, который проводил исследование, Дмитро Павличенко.«Такое конкретное понимание не всегда может быть доступно, что делает необходимыми манипуляция.

Недавняя статья ПавлиЧенко и соавтора Свена Бенке основана на предыдущих исследовательских усилиях группы AIS, в частности, в статье, представленной на Международной конференции IEEE-RAS 2019 года по гуманоидам в Торонто.В рамках этого прошлого исследования команда разработала сложный подход к роботизированному роботизированному роботизированию объектов, которые опирались на множество сложных компонентов, разработанных вручную.

«Мотивация для нашей новой статьи состояла в том, чтобы заменить такой сложный трубопровод на нейронную сеть», - объяснил Павличенко.«Это уменьшает сложность и удаляет стратегии манипуляции с жесткой кодировкой, повышая гибкость подхода».

Упрощенный подход манипуляции с предварительным захватом, который исследователи представили в своей новой статье, опирается на глубокое обучение подкреплению, высокопроизводительную и известную технику для обучения алгоритмам ИИ.Используя эту технику, команда обучила модель для ловкого манипулирования объектами, прежде чем схватить их, гарантируя, что робот в конечном итоге удерживает их эффективными способами, точно так же, как было проведено.

«Наша модель учится использовать многокомпонентную функцию плотного вознаграждения, которая стимулирует приближение объекта к данному целевому функциональному захвату с помощью взаимодействия с пальцами»,-сказал Павлихенко.«В сочетании с моделированием на основе GPU Isaac Gym, обучение может быть выполнено быстро».

До сих пор исследователи оценили свой подход в моделируемой среде, известной как спортзал Исаака, и обнаружили, что он достиг очень многообещающих результатов.В своих первоначальных тестах их модель позволила моделируемым роботам научиться перемещать объекты с отчетливо формированными в их руках, в конечном итоге выяснив лучший способ манипулировать ими, не требуя человеческих демонстраций.

Примечательно, что подход к обучению, предложенный Павлихенко и его бенке, можно легко применить к различным роботизированным рукам и рукам, а также поддерживает манипуляции с многочисленными объектами с различными формами.Таким образом, в будущем он может быть развернут и протестирован на различных физических роботах.

«Мы продемонстрировали, что изучение сложного человеческого динамического поведения возможно с использованием одного компьютера с несколькими часами времени обучения»,-сказал Павличенко.«Наши планы на будущие исследования включают в себя привнесение научной модели в реальное мир, достижение аналогичных результатов на реальном роботе. Обычно это довольно сложно, поэтому мы ожидаем, что дополнительный шаг обучения, онлайн на настоящем роботе, может потребоваться необходимость дляЗакройте разрыв с рисунком. ”

Больше информации: DMYTRO PAVLICHENKO и др., Глубокое изучение подкрепления ловкого манипуляции с предварительным захватом для человеческого функционального категориального захвата, Arxiv (2023).Doi: 10.48550/arxiv.2307.16752