Dojenček je pri samo enem letu bolj spreten kot robot. Seveda lahko stroji naredijo več kot le pobiranje in odlaganje predmetov, vendar nismo povsem tam, kar zadeva repliciranje naravnega vlečenja k raziskovalni ali prefinjeni spretni manipulaciji.
OpenAI je poskusil z “Dactyl” (kar pomeni “prst” iz grške besede daktylos), pri čemer je uporabil svojo roko humanoidnega robota za reševanje Rubikove kocke s programsko opremo, ki je korak bližje k splošnejši umetni inteligenci in korak stran od običajne miselne naloge. DeepMind je ustvaril “RGB-Stacking”, sistem, ki temelji na viziji, ki izzove robota, da se nauči, kako zgrabiti predmete in jih zložiti.
Znanstveniki iz Laboratorija za računalništvo in umetno inteligenco MIT (CSAIL) so v vedno prisotnem prizadevanju, da bi stroji posneli človeške sposobnosti, ustvarili okvir, ki je bolj razširjen: sistem, ki lahko z robotsko roko prenese več kot dva tisoč različnih predmetov, obrnjenih tako navzgor kot navzdol. Ta zmožnost manipulacije česar koli, od skodelice do pločevinke tune in škatle Cheez-It, bi lahko pomagala roki, da hitro pobere in postavi predmete na določene načine in lokacije – in celo posploši na predmete, ki se jih ne vidi.
To spretno »ročno delo«, ki je običajno omejeno s posameznimi nalogami in pokončnimi položaji, bi lahko bilo prednost pri pospeševanju logistike in proizvodnje, pomagalo pri običajnih zahtevah, kot je pakiranje predmetov v reže za sestavljanje ali spretno manipuliranje s širšim naborom orodij. Ekipa je uporabila simulirano, antropomorfno roko s 24 stopnjami svobode in dokazala, da bi lahko sistem v prihodnosti prenesli na pravi robotski sistem.
“V industriji se najpogosteje uporablja prijemalo z vzporedno čeljustjo, delno zaradi njegove enostavnosti nadzora, vendar fizično ne more obvladati številnih orodij, ki jih vidimo v vsakdanjem življenju,” pravi doktorski študent MIT CSAIL Tao Chen, član Improbable AI laboratorija in vodilni raziskovalec na projektu. »Tudi uporaba klešč je težka, ker ne more spretno premikati enega ročaja naprej in nazaj. Naš sistem bo roki z več prsti omogočal to, da spretno manipulira s takšnimi orodji, kar odpira novo področje za aplikacije v robotiki.
Daj mi roko
Ta vrsta preusmeritve predmetov »v roki« je bil izziv v robotiki zaradi velikega števila motorjev, ki jih je treba krmiliti, in pogoste spremembe stanja stika med prsti in predmeti. In z več kot dva tisoč predmeti se je moral model veliko naučiti.
Težava postane še bolj zapletena, ko je roka obrnjena navzdol. Ne samo, da mora robot manipulirati s predmetom, ampak tudi upoštevati gravitacijo, da predmet ne pade dol.
Ekipa je ugotovila, da lahko preprost pristop reši zapletene probleme. Uporabili so algoritem učenja brez modelov (kar pomeni, da mora sistem ugotoviti vrednostne funkcije iz interakcij z okoljem) z globokim učenjem in nekaj, kar se imenuje metoda usposabljanja »učitelj-učenec«.
Da bi to delovalo, je omrežje »učitelja« usposobljeno za informacije o predmetu in robotu, ki so zlahka dostopni v simulaciji, vendar ne v resničnem svetu, kot je lokacija konic prstov ali hitrost predmeta. Da bi zagotovili, da lahko roboti delujejo izven simulacije, se znanje »učitelja« destilira v opazovanja, ki jih je mogoče pridobiti v resničnem svetu, kot so globinske slike, zajete s kamerami, poza predmeta in položaji robotov v sklepih. Uporabili so tudi »učni načrt gravitacije«, kjer se robot najprej nauči veščine v okolju brez gravitacije, nato pa krmilnik počasi prilagaja normalnemu gravitacijskemu stanju, kar je ob takem tempu resnično izboljšalo splošno zmogljivost.
Čeprav je na videz protiintuitivno, bi lahko en sam krmilnik (znan kot možgani robota) obrnil veliko število predmetov, ki jih še nikoli ni videl, in brez poznavanja oblike.
“Na začetku smo mislili, da bodo algoritmi vizualne zaznave za sklepanje oblike, medtem ko robot manipulira s predmetom, glavni izziv,” pravi profesor MIT Pulkit Agrawal, avtor prispevka o raziskavi. “Nasprotno, naši rezultati kažejo, da se je mogoče naučiti robustnih strategij nadzora, ki so agnostične glede na obliko. To nakazuje, da je vizualna percepcija morda veliko manj pomembna za manipulacijo kot tisto, kar smo navajeni razmišljati, in bi lahko zadostovale preprostejše strategije zaznavne obdelave.
Številni majhni, okroglo oblikovani predmeti (jabolka, teniške žogice, frnikole) so imeli skoraj stoodstotno uspešnost, ko so bili preusmerjeni z roko, obrnjeno navzgor in navzdol. Kar pa ni presenetljivo pa z najnižjo stopnjo uspešnosti za bolj zapletene predmete, kot so žlica, izvijač ali škarje, ko je bila uspešnost blizu tridesetim odstotkom.
Preko tega, da so sistem preizkusili v živo, kjer so se stopnje uspešnosti razlikovale glede na obliko predmeta, ekipa v prihodnosti ugotavlja, da bi lahko usposabljanje modela na podlagi oblik predmetov izboljšalo zmogljivost.
Chen je napisal članek o raziskavi skupaj z doktorskim študentom MIT CSAIL Jie Xujem in profesorjem MIT Pulkitom Agrawalom. Raziskavo financirajo Toyota Research Institute, Amazon Research Award in DARPA Machine Common Sense Program.
Predstavljen je bil 2021 na konferenci o učenju robotov (CoRL).
Povzeto po:
https://bit.ly/3INCj7Q
Celotna PDF revija brezplačno!
