211service.com
Hoe robots elkaar snel kunnen leren nieuwe objecten te grijpen
Het pakken van een pen of een zonnebril is misschien moeiteloos voor jou of mij, maar het is duivels moeilijk voor een robot, vooral als het object in kwestie onbekend is of onhandig is geplaatst.
De Baxter in het lab van Stefanie Tellex probeert twee objecten tegelijk vast te pakken.
Oefening baart kunst, zoals een robot bewijst. Het leert zichzelf allerlei voorwerpen te grijpen door urenlange herhaling. De robot gebruikt verschillende camera's en infraroodsensoren om een onbekend object vanuit verschillende hoeken te bekijken voordat het probeert het op te rapen. Dan doet het dit met verschillende grepen, waarbij het object wordt geschud om ervoor te zorgen dat het stevig wordt vastgehouden. Het kan tientallen pogingen kosten voordat de robot de juiste greep heeft gevonden, en nog tientallen pogingen om ervoor te zorgen dat een object niet wegglijdt.
Dat lijkt misschien een moeizaam proces, maar als de robot eenmaal heeft geleerd iets op te rapen, kan hij die kennis delen met andere robots die dezelfde sensoren en grijpers hebben. De onderzoekers achter de inspanning hopen uiteindelijk honderden robots te laten leren hoe ze een miljoen verschillende dingen kunnen begrijpen.
Het werk is gedaan door Stephanie Tellex , een assistent-professor aan de Brown University, samen met een van haar afgestudeerde studenten, John Oberlin . Ze gebruikten een tweearmige industriële robot genaamd Baxter, gemaakt door het in Boston gevestigde bedrijf Heroverweeg robotica .
Op het Northeast Robotics Colloquium, een evenement dat deze maand in het Worcester Polytechnic Institute werd gehouden, demonstreerde Oberlin het grijpvermogen van de robot aan het publiek.
Robots in staat stellen objecten gemakkelijker te manipuleren is een van de grote uitdagingen in de robotica van vandaag, en het zou een grote industriële betekenis kunnen hebben (zie Shelf-Picking Robots Will Vie for Amazon Prize ).
Tellex zegt dat robotica-onderzoekers steeds meer op zoek zijn naar efficiëntere manieren om robots te trainen om taken zoals manipulatie uit te voeren. We hebben nu krachtige algoritmen, zoals deep learning, die kunnen leren van grote datasets, maar deze algoritmen hebben data nodig, zegt ze. Robot oefenen is een manier om de gegevens te verkrijgen die een robot nodig heeft om te leren objecten robuust te manipuleren.
Tellex merkt ook op dat er momenteel ongeveer 300 Baxter-robots in verschillende onderzoekslaboratoria over de hele wereld zijn. Als elk van die robots beide armen zou gebruiken om nieuwe objecten te onderzoeken, zou het voor hen mogelijk zijn om in 11 dagen een miljoen objecten te leren grijpen. Door robots te laten delen wat ze hebben geleerd, is het mogelijk om de snelheid van gegevensverzameling met orden van grootte te verhogen, zegt ze.
Om elk object te grijpen, scant de robot van de Brown-onderzoekers het vanuit verschillende hoeken met behulp van een van de camera's in zijn armen en de infraroodsensoren op zijn lichaam. Hierdoor kan het mogelijke locaties identificeren waarop het kan worden vastgehouden. De onderzoekers gebruikten een wiskundige techniek om het oefenen van verschillende grepen te optimaliseren. Met deze techniek pakte de Baxter-robot van het team objecten maar liefst 75 procent betrouwbaarder op dan met de reguliere software. De informatie die voor elk object wordt verkregen - de afbeeldingen, de 3D-scans en de juiste grip - wordt gecodeerd in een formaat dat het mogelijk maakt om online te worden gedeeld.
Andere groepen ontwikkelen methoden om robots verschillende taken te laten leren, waaronder grijpen. Een van de meest veelbelovende manieren om dit te bereiken is deep learning met behulp van zogenaamde neurale netwerken, dit zijn simulaties die losjes zijn gemodelleerd naar de manier waarop zenuwen in de hersenen informatie verwerken en leren (zie Robot Toddler leert te staan door te 'verbeelden' hoe je het moet doen') ).
Hoewel mensen het vermogen krijgen om te begrijpen door te leren, hoeft een kind niet zoveel tijd te besteden aan het hanteren van verschillende objecten, en hij of zij kan eerdere ervaring gebruiken om heel snel uit te zoeken hoe het een nieuw object kan oppakken. Tellex zegt dat het uiteindelijke doel van haar project is om robots vergelijkbare vaardigheden te geven. Ons doel op lange termijn is om deze gegevens te gebruiken om te generaliseren naar nieuwe objecten, zegt ze.