Pochwycony robot

Badacze działający na polu robotyki z powodzeniem wyposażyli swoich podopiecznych w zdolność poruszania się. Czy to na kółkach, czy przy pomocy dwóch nóg. Jednak większym wyzwaniem, które stoi przed naukowcami, jest opracowanie skutecznego rozwiązania, które umożliwi robotom na podnoszenie i utrzymanie drobnych przedmiotów przez dłuższy czas.

W MIT Technology Review pojawiła się następująca opinia na poruszany tu temat. “Zdolności robotów do chwytania przedmiotów są żenująco niskie. Poproś robota, aby podniósł pilot od telewizora lub butelkę wody, a on za żadne skarby sobie z tym nie poradzi. No chyba, że zostanie do tego szczegółowo zaprogramowany i będzie pracował w kontrolowanym otoczeniu.”

Abhinav Gupta oraz Lerrel Pinto, naukowcy pracujący w The Robotics Insitute, zebrali swoje dotychczasowe wnioski, które zostały opublikowane na arXiv, w pracy pt. “Samonadzór: Nauka chwytania po 50.000 próbach i 700 robotogodzinach”. Fundamentalnym stwierdzeniem tej pracy jest teza, że “manipulacja przedmiotami jest jednym z najstarszych problemów na polu robotyki”.

Ich badanie polegało na zaprezentowaniu robotowi zdolnemu do uczenia się, czynności chwytania. Baxter, uczłowieczony robot przemysłowy, został umieszczony w “nieuszeregowanym otoczeniu”. Ten eufemizm, wedle jednego z członków ekipy badawczej, oznacza mniej więcej tyle, co zagracony stół.

Jednym z wniosków, płynących z badania, jest fakt, iż 40stokrotne zwiększenie objętości bazy danych oraz wydłużenie czasu badania do 700 godzin spowodowało, że robot był w stanie lokalizować i chwytać przedmioty na stole bez większego błędu.

Badacze wyszli z założenia, że używanie dotychczasowych schematów określających, jak chwytać poszczególne przedmioty, jest błędne i nieskalowalne. Słusznym podejściem, według nich, jest zastosowanie wzmocnionego uczenia się, dzięki któremu robot samonadzoruje się, a ciąg prób i błędów, uczy się przewidywać miejsce chwycenia.

“Tradycyjne badania w tej mierze wykorzystują arkusze danych z zapisanymi kilkuset przykładami. Te dane służą następnie robotowi do wykonania swojego zadania możliwie precyzyjnie. Kiedy jednak znacznie zwiększymy ilość danych, których robot sam sobie dostarczy, będzie on mógł operować na bazie nie 400 a 50000 prób. A to decydująco wpływa na skuteczność działania.”

Wspomniane na początku MIT Technology Review przytacza również następującą tezę:

“Prawdopodobnie największym wyzwaniem dla Baxtera będzie test szczoteczki. Skuteczne umieszczenie niewielkiej ilości pasty do zębów na szczoteczce.”

Przy tempie w jakim roboty podobne do Baxtera są w stanie się uczyć, niewiele czasu minie zanim ludzie utracą swoją maestrię w posługiwaniu się szczoteczką, podobnie jak utracili tytuł mistrzowski w szachy, przed 20 laty.

Zapraszamy do zapoznania się z materiałem filmowym pod następującym linkiem: http://techxplore.com/news/2015-10-deep-learning-robot-grasp.html

Źródło: techexplore.com