Naukowcy przyspieszyli wdrażanie robota

04/25/2022

Naukowcy opracowali nową technikę, która ułatwia robotowi naukę. Zadania typu podnieś i połóż będą wymagać mniej materiału szkoleniowego.

Zaprogramowanie robota zajmuje dużo czasu. Szczególnie, gdy mowa o robocie pracującym przy zamówieniach na magazynie. Tysiące produktów o różnym kształcie, właściwościach, których robot musi się nauczyć. Po poświęceniu długich godzin pracy na nauczenie maszyny, jak obchodzić się z towarami praca zaczyna przebiegać gładko. Robot nie potrzebuje przerw, pracuje tak długo, jak długo operator tego chce. Problem pojawia się jednak w miejscu, gdy pojawiają się nowe zmienne. Gdy nowa partia towaru różni się od poprzedniej. Albo nowy zestaw promocyjny napojów gazowanych ma nieco inne wymiary butelek. Co wtedy?

Wtedy należy ponownie przeprowadzić szkolenie robota. Gdy taka sytuacja ma miejsce kilka razy do roku może to nie być szczególnie uciążliwe. Gdy jednak maszyna pracuje w zakładzie produkcyjnym, gdzie zmienność towaru może być codziennością, zaczyna się problem.

Nowe rozwiązanie zaproponowane przez naukowców z MIT pozwala skrócić czas nauki robota do 15 minut. Metoda ta pozwala na podnoszenie i manipulowanie nowymi dla maszyny przedmiotami, znajdującymi się w nieplanowych pozach. Wykorzystuje ona sieć neuronową, zaprojektowaną specjalnie do odtwarzania kształtów obiektów 3D. Robot wykorzystuje sieć do nauki geometrii produktów, z którymi będzie miał do czynienia.

„To, co wnosimy tym projektem to ogólna zdolność do znacznie wydajniejszego dostarczania nowych umiejętności robotom, które muszą działać w mniej ustrukturyzowanych środowiskach, w których może występować duża zmienność. Koncepcja uogólniania przez konstrukcję jest fascynującą zdolnością, ponieważ ten problem stwarza zazwyczaj dużo więcej problemów” – mówi Anthony Simeonov, absolwent elektrotechniki i informatyki (EECS) i współautor pracy.

Uczenie maszynowe

Robota można nauczyć podnoszenia określonego przedmiotu, ale jeśli przedmiot ten leży na boku, robot widzi w tym zupełnie nowy scenariusz. To jeden z powodów, dla których tak trudno jest uczyć roboty adaptacji.

Naukowcy stworzyli nowy typ modelu sieci neuronowej, pole deskryptorów neuronowych (NDF). Model oblicza reprezentację geometryczną dla określonego elementu przy użyciu chmury punktów 3D. Punkty danych można uzyskać z kamery do wykrywania głębi, która przekazuje informację o odległości między obiektem a punktem widzenia. Chociaż sieć została przeszkolona w symulacji na dużym zbiorze syntetycznych kształtów 3D, można ją bezpośrednio zastosować do obiektów w świecie rzeczywistym.

Źródło: MIT

Zobacz też: MIT: zdalne leczenie udaru mózgu joystickiem