211service.com
Exclusief: dit is de meest behendige robot ooit gemaakt
HALVE CITRUS Citrus Medium
Het ziet er misschien niet zo bijzonder uit, maar de robot hierboven is, volgens een nieuwe maatstaf, de meest behendige die ooit is gemaakt. Het kan onder andere je rommellade met ongeëvenaarde snelheid en vaardigheid doorzoeken.
De sleutel tot zijn behendigheid zit niet in zijn mechanische grijpers, maar in zijn hersenen. De robot gebruikt software genaamd Dex-Net om te bepalen hoe zelfs vreemd uitziende objecten met ongelooflijke efficiëntie kunnen worden opgepikt.
Dex-Net is ontwikkeld door: Ken Goldberg , een professor aan UC Berkeley, en een van zijn afgestudeerde studenten, Jeff Mahler. De software draait op een kant-en-klare industriële machine gemaakt door ABB, een Zwitsers roboticabedrijf. Goldberg demonstreerde de nieuwste versie van zijn systeem op EmTech Digital, een evenement in San Francisco georganiseerd door MIT Technology Review en gewijd aan kunstmatige intelligentie.
Het systeem van Goldberg komt veel dichter bij de behendigheid van een mens dan alles wat eerder is ontwikkeld. Industriële robots met een betere behendigheid zouden toepassing kunnen vinden in magazijnen en fabrieken, maar ook in ziekenhuizen en huizen.
Wat vooral slim is aan Dex-Net, is hoe het leert begrijpen. De software probeert objecten op te pikken in een virtuele omgeving en traint met vallen en opstaan een diep neuraal netwerk. Zelfs in simulatie is dit een moeizame taak. Cruciaal is echter dat Dex-Net kan generaliseren van een object dat het eerder heeft gezien naar een nieuw object. De robot zal zelfs een item een duwtje geven om het beter te kunnen bekijken als hij niet zeker weet hoe het moet worden vastgepakt. De nieuwste versie van het systeem bevat een 3D-sensor met hoge resolutie en twee armen, elk aangestuurd door een ander neuraal netwerk. Een arm is uitgerust met een conventionele robotgrijper en een andere met een zuigsysteem. De software van de robot scant een object en kijkt vervolgens naar beide neurale netwerken om ter plekke te beslissen of het zinvoller is om dat specifieke object te grijpen of te zuigen.
Onderzoekers van UC Berkeley ontwikkelden ook een betere manier om de prestaties van een pickrobot te meten: een metriek genaamd gemiddelde picks per uur, die wordt berekend door de gemiddelde tijd per pick en de gemiddelde kans op succes voor een consistente set objecten te vermenigvuldigen.
De nieuwe statistiek zal onderzoekslaboratoria die werken aan pickrobots helpen hun resultaten te delen. We hebben het gehad over hoe we onze resultaten op elkaar kunnen afstemmen, zodat we vooruitgang zien, zegt Goldberg. Het hangt allemaal af van welke robot je gebruikt, welke sensor je gebruikt en, heel belangrijk, welke objecten je gebruikt.
Jeremy Portje
Mensen zijn in staat tot tussen de 400 en 600 gemiddelde picks per uur. In een onlangs door Amazon georganiseerde wedstrijd waren de beste robots in staat tussen de 70 en 95. De nieuwe machine haalt 200 tot 300 gemiddelde picks per uur, zegt Goldberg. De resultaten worden later dit jaar gepresenteerd op een conferentie in Australië.
Tijdens zijn presentatie voegde Goldberg eraan toe dat hij verwacht dat robots binnen vijf jaar 'menselijke of zelfs bovenmenselijke gemiddelde picks per uur' zullen bereiken.
Het grijpen en manipuleren van lastige en onbekende objecten is een fundamentele uitdaging in robotica, en een die de technologie heeft tegengehouden. De robots die bijvoorbeeld in autofabrieken worden aangetroffen, zijn snel en nauwkeurig, maar kunnen zich niet aanpassen aan een veranderende of onbekende omgeving. Naast fabrieks- of magazijnwerk kan meer geavanceerde manipulatie leiden tot de eerste bruikbare robots om mensen te helpen in bijvoorbeeld ziekenhuizen en ouderenzorg.
De recente vooruitgang in dit aspect van robotica is het resultaat van verschillende gelijktijdige trends. Er zijn steeds kleinere, veiligere robots verschenen, er zijn nieuwe soorten eindgrijpers verschenen en - het belangrijkste - er zijn grote stappen gezet op het gebied van machine learning.
Jeff Mahler, een afgestudeerde student aan UC Berkeley, configureert het Dex-Net-robotsysteem. Adriel Olmos
Naast het werk en onderzoek van Goldberg in verschillende andere academische laboratoria, hebben onderzoekers op plaatsen zoals: DeepMind en OpenAI zijn begonnen te onderzoeken hoe machine learning kan worden gebruikt om robots slimmer en flexibeler te maken. Vooruitgang in robotica kan heel goed worden teruggekoppeld naar andere gebieden van AI, zoals perceptie.
Machine learning heeft een ongekende impact op robotica, zegt Russ Tedrake, een professor aan het MIT die de UC Berkeley-robot heeft zien demonstreren. Het is ongelooflijk waardevol om robots zo snel te laten groeien dat we eindelijk big data voor robotica hebben.