211service.com
Hur robotar snabbt kan lära varandra att greppa nya föremål
Att ta en penna eller ett par solglasögon kan vara enkelt för dig eller mig, men det är djävulskt svårt för en robot, särskilt om föremålet i fråga är obekant eller placerat obekvämt.
Baxtern i Stefanie Tellexs labb försöker greppa två föremål samtidigt.
Övning ger färdighet, vilket en robot bevisar. Den lär sig själv att greppa alla möjliga föremål genom timmar av upprepning. Roboten använder olika kameror och infraröda sensorer för att titta på ett okänt föremål från olika vinklar innan den försöker plocka upp det. Sedan gör den det med flera olika grepp och skakar föremålet för att se till att det hålls säkert. Det kan ta dussintals försök för roboten att hitta rätt grepp, och dussintals fler för att se till att ett föremål inte glider.
Det kan tyckas vara en tråkig process, men när roboten har lärt sig hur man plockar upp något kan den dela den kunskapen med andra robotar som har samma sensorer och gripdon. Forskarna bakom insatsen hoppas så småningom att hundratals robotar tillsammans ska lära sig hur man förstår en miljon olika saker.
Arbetet utfördes av Stephanie Tellex , en biträdande professor vid Brown University, tillsammans med en av hennes doktorander, John Oberlin . De använde en tvåarmad industrirobot som heter Baxter, tillverkad av det Boston-baserade företaget Tänk om Robotics .
Vid Northeast Robotics Colloquium, ett evenemang som hölls på Worcester Polytechnic Institute denna månad, visade Oberlin robotens gripande förmåga för allmänheten.
Att möjliggöra för robotar att manipulera objekt lättare är en av de stora utmaningarna inom robotik idag, och det kan ha stor industriell betydelse (se Hyllaplockningsrobotar kommer att tävla om Amazon-priset ).
Tellex säger att robotforskare i allt högre grad letar efter effektivare sätt att träna robotar för att utföra uppgifter som manipulation. Vi har kraftfulla algoritmer nu – som djupinlärning – som kan lära av stora datamängder, men dessa algoritmer kräver data, säger hon. Robotövning är ett sätt att skaffa den data som en robot behöver för att lära sig att robust manipulera objekt.
Tellex noterar också att det finns omkring 300 Baxter-robotar i olika forskningslabb runt om i världen idag. Om var och en av dessa robotar skulle använda båda armarna för att undersöka nya föremål, säger hon, skulle det vara möjligt för dem att lära sig att greppa en miljon föremål på 11 dagar. Genom att låta robotar dela med sig av det de har lärt sig är det möjligt att öka hastigheten på datainsamlingen i storleksordningar, säger hon.
För att greppa varje föremål skannar Brown-forskarnas robot det från olika vinklar med hjälp av en av kamerorna i dess armar och de infraröda sensorerna på kroppen. Detta gör att den kan identifiera möjliga platser att greppa. Forskarna använde en matematisk teknik för att optimera processen att öva olika grepp. Med den här tekniken plockade teamets Baxter-robot upp föremål så mycket som 75 procent mer tillförlitligt än den gjorde med sin vanliga programvara. Informationen som samlas in för varje objekt – bilderna, 3D-skanningarna och det korrekta greppet – är kodad i ett format som gör att den kan delas online.
Andra grupper utvecklar metoder för att låta robotar lära sig utföra olika uppgifter, inklusive att greppa. Ett av de mest lovande sätten att uppnå detta är djupinlärning med hjälp av så kallade neurala nätverk, som är simuleringar som är löst modellerade på hur nerver i hjärnan bearbetar information och lär sig (se Robot Toddler lär sig att stå vid 'Imagining' Hur man gör det ).
Även om människor förvärvar en förmåga att förstå genom inlärning, behöver ett barn inte spendera så mycket tid på att hantera olika föremål, och han eller hon kan använda tidigare erfarenheter för att mycket snabbt ta reda på hur man plockar upp ett nytt föremål. Tellex säger att det slutliga målet med hennes projekt är att ge robotar liknande förmågor. Vårt långsiktiga mål är att använda dessa data för att generalisera till nya objekt, säger hon.