Maak kennis met de meest wendbare robot ooit

In een fleurig ingericht laboratorium aan de University of California, Berkeley, heeft een gewoon uitziende robot een uitzonderlijk talent ontwikkeld voor het oppakken van lastige en ongewone objecten. Wat echter verbluffend is, is dat de robot zo goed werd in het grijpen door met virtuele objecten te werken.

De robot leerde wat voor soort greep voor verschillende items zou moeten werken door een uitgebreide dataset van 3D-vormen en geschikte grepen te bestuderen. De UC Berkeley-onderzoekers voerden afbeeldingen naar een groot diep lerend neuraal netwerk dat is verbonden met een kant-en-klare 3D-sensor en een standaard robotarm. Wanneer er een nieuw object voor wordt geplaatst, weet het deep learning-systeem van de robot snel welke greep de arm moet gebruiken.

De bot is aanzienlijk beter dan alles wat eerder is ontwikkeld. In tests, toen het meer dan 50 procent zeker was dat het een voorwerp kon pakken, slaagde het erin het voorwerp op te tillen en te schudden zonder het voorwerp 98 procent van de tijd te laten vallen. Als de robot het niet zeker wist, prikte hij in het object om een ​​betere greep te krijgen. Daarna slaagde het erin om het 99 procent van de tijd op te tillen. Dit is een belangrijke stap vooruit ten opzichte van eerdere methoden, zeggen de onderzoekers.

Verwant verhaal

Moet lezen

Het werk laat zien hoe nieuwe benaderingen van robotleren, gecombineerd met de mogelijkheid voor robots om toegang te krijgen tot informatie via de cloud, de mogelijkheden van robots in fabrieken en magazijnen zou kunnen verbeteren, en deze machines zelfs in staat zou kunnen stellen nuttig werk te doen in nieuwe omgevingen zoals ziekenhuizen en woningen (zie 10 Doorbraaktechnologieën 2017: Robots die elkaar leren). Het wordt beschreven in a papier zal worden gepubliceerd tijdens een grote roboticaconferentie die in juli wordt gehouden.

Veel onderzoekers werken aan manieren waarop robots dingen kunnen leren begrijpen en manipuleren door steeds opnieuw te oefenen, maar het proces is erg tijdrovend. De nieuwe robot leert zonder te hoeven oefenen, en het is aanzienlijk beter dan alle voorgaande systemen. We produceren betere resultaten, maar zonder dat soort experimenten, zegt Ken Goldberg , een professor aan UC Berkeley die het werk leidde. We zijn hier erg enthousiast over.

University of California, Berkeley, professor Ken Goldberg (links) en hoofd van de Siemens Research Group, Juan Aparicio.

In plaats van in de echte wereld te oefenen, leerde de robot door zich te voeden met een dataset van meer dan duizend objecten, waaronder hun 3D-vorm, visuele verschijning en de fysica van het grijpen ervan. Deze dataset werd gebruikt om het deep-learningsysteem van de robot te trainen. We kunnen in een dag of zo voldoende trainingsgegevens genereren voor diepe neurale netwerken in plaats van maandenlange fysieke proeven op een echte robot te doen, zegt Jeff Mahler, een postdoctoraal onderzoeker die aan het project heeft gewerkt.

Goldberg en collega's zijn van plan om de dataset die ze hebben gemaakt vrij te geven. Openbare datasets zijn belangrijk geweest voor het bevorderen van de stand van zaken op het gebied van computervisie, en nu beloven nieuwe 3D-datasets robots vooruit te helpen.

Stephanie Tellex , een assistent-professor aan de Brown University die gespecialiseerd is in robotleren, beschrijft het onderzoek als een groot probleem en merkt op dat het moeizame benaderingen van machine learning zou kunnen versnellen.

Het is moeilijk om grote datasets met robotgegevens te verzamelen, zegt Tellex. Dit artikel is spannend omdat het laat zien dat een gesimuleerde dataset kan worden gebruikt om een ​​model voor het grijpen te trainen. En dit model vertaalt zich in echte successen op een fysieke robot.

Vooruitgang in besturingsalgoritmen en machine learning-benaderingen, samen met nieuwe hardware, bouwen gestaag aan een fundament waarop een nieuwe generatie robots zal werken. Deze systemen zullen een veel breder scala aan dagelijkse taken kunnen uitvoeren. Vingervlugge machines nemen in feite al handenarbeid over die lang buiten bereik is gebleven (zie Een robot met zijn hoofd in de cloud pakt magazijnpicking aan).

Russ Tedrake , een MIT-professor die aan robots werkt, zegt dat een aantal onderzoeksgroepen vooruitgang boeken op het gebied van behendigere robots. Hij voegt eraan toe dat het werk van UC Berkeley indrukwekkend is omdat het nieuwere methoden voor machinaal leren combineert met meer traditionele benaderingen waarbij wordt beredeneerd over de vorm van een object.

De opkomst van meer behendige robots kan ook aanzienlijke economische implicaties hebben. De robots die tegenwoordig in fabrieken worden aangetroffen, zijn opmerkelijk precies en vastberaden, maar ongelooflijk onhandig wanneer ze worden geconfronteerd met een onbekend object. Een aantal bedrijven, waaronder Amazon, gebruikt robots in magazijnen, maar tot nu toe alleen voor het verplaatsen van producten en niet voor het picken van objecten voor bestellingen.

De onderzoekers van UC Berkeley werkten samen met Juan Aparicio, hoofd van een onderzoeksgroep bij Siemens. Het Duitse bedrijf is geïnteresseerd in het commercialiseren van cloudrobotica, naast andere verbonden productietechnologieën.

Verwant verhaal

Lees volgende Een behendige nieuwe robotgrijper kan onbekende objecten manipuleren en deelt wat hij leert met een bijenkorf in de cloud.

Aparicio zegt dat het onderzoek opwindend is omdat de betrouwbaarheid van de arm een ​​duidelijk pad naar commercialisering biedt.

Ontwikkelingen in de behendigheid van machines kunnen ook van belang zijn voor de vooruitgang van kunstmatige intelligentie. Handvaardigheid speelde een cruciale rol in de evolutie van de menselijke intelligentie en vormde een deugdzame feedbacklus met een scherper zicht en toenemende hersenkracht. Het vermogen om echte objecten effectiever te manipuleren, lijkt zeker ook een rol te spelen in de evolutie van kunstmatige intelligentie.

zich verstoppen