211service.com
Uw persoonlijke robotassistent
Afgezien van de Roomba hebben robots niet veel vooruitgang geboekt bij het infiltreren van Amerikaanse huizen. Maar onderzoekers van Stanford University hebben software ontwikkeld die een van de grootste uitdagingen overwint: een robot leren hoe hij een object moet oppakken dat hij nog nooit eerder is tegengekomen. De software van de robot suggereert dat de beste manier om iets nieuws op te pikken is door het meest grijpbare deel van het object te bepalen, bijvoorbeeld de steel van een wijnglas, het handvat van een mok of de rand van een boek.
Raap het op: Onderzoekers van Stanford hebben software ontworpen waarmee een robot objecten kan grijpen die hij nog nooit eerder heeft gezien. De hardware zit op een Segway-wielbasis en omvat twee lasers voor navigatie, een robotarm voor grijpen, luidsprekers, camera's en een microfoon.
Ingenieurs en fans van sciencefiction dromen er al lang van om robotica in huis te gebruiken, zegt Andrew Ng , hoogleraar informatica aan Stanford. In feite zou de robothardware die tegenwoordig bestaat een robot in staat kunnen stellen de complexe taken uit te voeren die nodig zijn om objecten op te rapen, een huis schoon te houden, enzovoort. Maar het ontbrekende stukje, legt Ng uit, is software waarmee robots deze dingen zelf kunnen doen. Een behendige robot die slim is om nieuwe objecten op te rapen zonder dat hij specifiek is geprogrammeerd om dit te doen, kan nuttig zijn voor complexe huishoudelijke taken zoals het voeren van de huisdieren en het vullen van de vaatwasser.
Hoewel het waar is dat sommige robots in staat zijn om specifieke objecten op te pakken, zelfs op een rommelige tafel, doen ze dit met behulp van specifieke driedimensionale modellen die voorgeprogrammeerd zijn, zegt Aaron Edsinger , oprichter van Meka Robotica , een startup in San Francisco. Maar dit veronderstelt dat we van tevoren kunnen weten welke objecten er zijn, zegt hij. Dit kan bijvoorbeeld niet essentieel zijn in een zorgvuldig gebouwd verpleeghuis, maar het zou essentieel zijn in het appartement of huis van een druk gezin.
In plaats van vooraf bepaalde modellen van objecten te gebruiken, bouwen sommige robotici, waaronder Edsinger en Ng, waarnemingssystemen voor robots die op zoek zijn naar bepaalde kenmerken van objecten die goed kunnen worden vastgepakt. Het Stanford-team heeft het probleem aangepakt door een aantal voorheen gefragmenteerde technologieën te verzamelen, zegt Ng, zoals computervisie, machine learning, spraakherkenning en grijphardware, en deze samen te voegen in een robot genaamd TRAP (Stanford Kunstmatige Intelligentie Robot).
Multimedia
Kijk hoe de robot instructies opvolgt om een nietmachine op te halen.
Kijk hoe de robot een aantal verschillend gevormde voorwerpen oppakt.
Kijk hoe de robot een deur opent.
De hardware van STAIR bestaat uit een mobiele robotarm met een microfoon, een luidspreker, sensoren en camera's die de arm helpen om voorwerpen op te halen. De software van de robot is gebaseerd op machine learning-algoritmen die kunnen worden getraind om bepaalde functies uit te voeren. De onderzoekers trainden de software met behulp van 2500 afbeeldingen van objecten, met geïdentificeerde grijpbare regio's.
Maar de sprong maken van tweedimensionale afbeeldingen naar een driedimensionale wereld was een uitdaging, zegt Ng. Doorgaans kan een robot een 3D-weergave van zijn omgeving maken, zodat hij weet hoe ver de koffiepot van zijn hand verwijderd is, met behulp van de invoer van twee camera's. Deze afstand wordt meestal bepaald door met de rechter- en linkercamera een groot aantal punten op een object te verzamelen en vervolgens alle gegevens te trianguleren om een 3D-model te bouwen. Dit proces kost echter veel rekenkracht en tijd.
Het team van Ng ontwikkelde een alternatief dat het proces vereenvoudigt. In plaats van gegevens te verzamelen over een groot aantal punten op een object, identificeert het algoritme van de onderzoekers het middelpunt van een grijpbaar deel van een object, zoals een handvat, door de randen van een object te berekenen en dit te vergelijken met de randen van statistisch vergelijkbare objecten in de databank. De software matcht dit punt met behulp van beide camera's en trianguleert de afstand. Dit was het sleutelidee dat ervoor zorgde dat al onze dingen werken, zegt Ng. We hebben nu dingen gedaan zoals het laden van items uit een vaatwasser.
Robots moeten nog de fijne kneepjes van automatische manipulatie leren, voegt Ng toe. STAIR is alleen ontworpen om objecten vast te pakken en niet om de greep aan te passen aan de situatie. Het is bijvoorbeeld niet gebouwd om koffie uit een pot te schenken - een taak die misschien een andere greeppositie en een andere hoeveelheid druk vereist dan simpelweg de pot oppakken en op een plank plaatsen. Bovendien kent de software de consistentie van het object niet, of het nu zacht of solide is. Maar onderzoekers werken aan deze problemen en uiteindelijk zal een persoonlijke robot een combinatie van detectietechnologieën en verschillende software hebben waarmee hij een object kan oppakken en manipuleren. (Zie Robots die voelen voordat ze elkaar aanraken .)
Het kan jaren duren voordat alle technologieën goed genoeg zijn geïntegreerd, zodat robots complexe huishoudelijke taken zelfstandig kunnen uitvoeren, maar het Stanford-werk stuwt de droom voort. Als ik één ding zou moeten kiezen dat deze visie op persoonlijke robotica tegenhoudt, zou het het vermogen zijn om dingen op te pakken en te manipuleren, zegt Josh Smith , senior onderzoeker bij Intel Research, in Seattle. We hebben meer grijpstrategieën nodig, zoals [de onderzoekers van Stanford], waarvoor geen expliciet 3D-model van het object nodig is. Hij voegt eraan toe dat de robot niet alleen verbeterde computervisietechnieken heeft, maar ook dat de werkelijke hand van de robot hoogstwaarschijnlijk een aantal sensoren zal hebben die kunnen voelen of een object beweegt of dat de greep niet goed is. Een veel rijker gevoel in de hand zal een belangrijk onderdeel van de oplossing zijn, zegt Smith.