AI обучает роботов надежно подбирать и помещать объекты

Простые могут преобразовать неструктурированные расположения объектов (то есть, произвольно закладывая на таблицу) в структурированные расположения, где конфигурации объекта точно известны (то есть на черных постажи на этом изображении), выполняя точный выбор и место.Это фундаментальная задача в промышленности автоматизации, поскольку она устраняет неопределенность и значительно упрощает любую нижестоящую задачу.Кредит: простое видео

Этот компромисс между точностью и обобщением до сих пор препятствовал широкомасштабному развертыванию роботов общего назначения или, другими словами, роботов, которые могут помогать пользователям хорошо во многих различных задачах.Одной из возможностей, которая требуется для решения различных проблем реального мира, является возможность «точного выбора и места», которая включает в себя поиск, подбор и размещение объектов именно в определенных местах.

Исследователи из Массачусетского технологического института (MIT) недавно представили Simple (моделирование для выбора локализации и место), нового, основанного на обучении, визуально-табличном методе, который мог бы позволить роботизированным системам подбирать и размещать различные объекты.Этот метод, представленный в Science Robotics, использует симуляцию, чтобы узнать, как собирать, перехватить и разместить разные объекты, требующие только компьютерных конструкций этих объектов.

«В течение нескольких лет, работая в роботизированных манипуляциях, мы тесно взаимодействовали с партнерами по отрасли», - сказала Tech Xplore Мария Бауза и Антония Бронарс, первые авторы газеты.«Оказывается, что одной из существующих проблем в автоматизации является точный выбор и место объектов. Эта проблема сложна, так как требует, чтобы робот преобразовал неструктурированное расположение объектов в организованное расположение, которое может способствовать дальнейшей манипуляции».

Различные промышленные роботы уже способны собирать, схватить и снимать различные объекты.Тем не менее, большинство из этих подходов обобщаются только в небольшом наборе широко используемых объектов, таких как коробки, чашки или миски, и не подчеркивают точность.

Bauza, Bronars и их коллеги решили разработать новый метод, который может позволить роботам точно подбирать и разместить любой объект, полагаясь только на моделируемые данные.Это в отличие от многих предыдущих подходов, которые учатся с помощью реальных взаимодействий роботов с различными объектами.

«Простые полагаются на три основных компонента, которые разработаны при моделировании», - сказали Бауза и Бронарс.”Во-первых, модуль схватывания за задачу выбирает объект, который является стабильным, наблюдаемым и благоприятным для размещения. Затем, модуль Visuo-Tactile Presception объединяет зрение и прикосновение для локализации объекта с высокой точностью.Лучший путь к цели, который может включать в себя передачу объекта другой руке, если это необходимо ».

Три модуля, лежащие в основе простого подхода, в конечном итоге позволяют роботизированным системам вычислять надежные и эффективные планы по манипулированию различными объектами с высокой точностью.Его наиболее заметное преимущество заключается в том, что роботам не нужно было ранее взаимодействовать с объектами в реальном мире, что значительно ускоряет их процесс обучения.

«Наша работа предлагает подход к точному выбору и месту, который достигает общности, не требуя дорогостоящего реального опыта робота»,-сказали Бауза и Бронарс.«Это происходит, используя моделирование и известные формы объекта».

Исследователи проверили предлагаемый метод в серии экспериментов.Они обнаружили, что это позволило роботизированной системе успешно выбирать и размещать 15 типов объектов с различными формами и размерами, а также превосходит базовые методы для обеспечения манипуляции с объектами у роботов.

Примечательно, что эта работа является одной из первых, кто объединяет как визуальную, так и тактильную информацию для обучения роботов в сложных задачах манипуляции.Многообещающие результаты команды могут вскоре побудить других исследователей разработать аналогичные подходы к обучению в моделировании.

«Практические последствия этой работы довольно широкие», - сказали Бауза и Бронарс.«Простые могли бы хорошо вписаться в отрасли, где автоматизация уже стандартная, например, в автомобильной промышленности, но также может обеспечить автоматизацию во многих полуструктурированных средах, таких как фабрики среднего размера, больницы, медицинские лаборатории и т. Д., где автоматизация меньшеобычное явление. ”

Полуструктурированные среды-это настройки, которые не изменяются с точки зрения общего макета или структуры, но также могут быть гибкими с точки зрения того, где расположены объекты или какие задачи необходимо выполнять в определенное время.Простой может быть хорошо подходит для того, чтобы позволить роботам выполнять задачи в этих средах, не требуя обширного реального обучения.

«В этих настройках возможность взять неструктурированный набор объектов в структурированное расположение, является фактором, способствующим любым нижним задачам», - объяснили Бауза и Бронары.«Например, примером задачи по выбору и месту в медицинской лаборатории было бы взять новые тестируемые трубки из коробки и поместить их в стойку. После того, как трубки будут расположены, их можно было поместить в машину, разработаннуюпроверить его содержание или служить другим научным целям ».

Многообещающий метод, разработанный этой группой исследователей, может быть вскоре обучен на более широком диапазоне моделируемых данных и моделей большего количества объектов, чтобы дополнительно подтвердить ее производительность и обобщение.Между тем, Bauza, Bronars и их коллеги работают над повышением ловкости и устойчивости их предлагаемой системы.

«Два направления будущей работы включают в себя улучшение ловкости робота для решения еще более сложных задач и предоставление решений в замкнутом контуре, которое вместо вычисления плана вычисляет политику для постоянного адаптации его действий на основе наблюдений датчиков,“Броза и Бронары добавили.

«Мы добились прогресса в последнем в текстере, которая использует непрерывную тактильную информацию во время выполнения задач, и мы планируем продолжать продвигать ловкость и устойчивость к манипулированию высоким разрешением в нашем текущем исследовании».

More information: Maria Bauza et al, SimPLE, a visuotactile method learned in simulation to precisely pick, localize, regrasp, and place objects, Science Robotics (2024). DOI: 10.1126/scirobotics.adi8808

© 2024 Science X Network