Möt den smidigaste roboten hittills

Inuti ett ljust dekorerat labb vid University of California, Berkeley, har en robot som ser vanligt ut utvecklat en exceptionell förmåga att plocka upp obekväma och ovanliga föremål. Det som är fantastiskt är dock att roboten blev så bra på att greppa genom att arbeta med virtuella objekt.

Roboten lärde sig vilken typ av grepp som skulle fungera för olika föremål genom att studera en stor datamängd av 3D-former och lämpliga grepp. UC Berkeley-forskarna matade bilder till ett stort neuralt nätverk för djupinlärning kopplat till en 3D-sensor och en standardrobotarm. När ett nytt föremål placeras framför det, räknar robotens djupinlärningssystem snabbt ut vilket grepp armen ska använda.

Boten är betydligt bättre än något som tidigare utvecklats. I tester, när den var mer än 50 procent säker på att den kunde greppa ett föremål, lyckades den lyfta föremålet och skaka det utan att tappa föremålet 98 procent av gångerna. När roboten var osäker, petade den i föremålet för att hitta ett bättre grepp. Efter att ha gjort det lyckades den lyfta den 99 procent av tiden. Detta är ett betydande steg upp från tidigare metoder, säger forskarna.

Relaterad berättelse

Måste läsas

Arbetet visar hur nya tillvägagångssätt för robotinlärning, kombinerat med möjligheten för robotar att få tillgång till information via molnet, skulle kunna främja robotars kapacitet i fabriker och lager, och till och med göra det möjligt för dessa maskiner att göra användbart arbete i nya miljöer som sjukhus och hem (se 10 Breakthrough Technologies 2017: Robots That Teach Other ). Det beskrivs i a papper kommer att publiceras på en stor robotkonferens som hålls i juli.

Många forskare arbetar på sätt för robotar att lära sig att förstå och manipulera saker genom att öva om och om igen, men processen är mycket tidskrävande. Den nya roboten lär sig utan att behöva öva, och den är betydligt bättre än något tidigare system. Vi producerar bättre resultat men utan den typen av experiment, säger Ken Goldberg , en professor vid UC Berkeley som ledde arbetet. Vi är väldigt exalterade över detta.

University of California, Berkeley, professor Ken Goldberg (till vänster) och chef för Siemens Research Group, Juan Aparicio.

Istället för att öva i den verkliga världen, lärde sig roboten genom att mata på en datamängd med mer än tusen objekt som inkluderar deras 3D-form, visuella utseende och fysik för att greppa dem. Denna datamängd användes för att träna robotens djupinlärningssystem. Vi kan generera tillräckligt med träningsdata för djupa neurala nätverk på en dag eller så istället för att köra månader av fysiska försök på en riktig robot, säger Jeff Mahler, en postdoktor som arbetat med projektet.

Goldberg och kollegor planerar att släppa datamängden de skapade. Offentliga datauppsättningar har varit viktiga för att utveckla det senaste inom datorseende, och nu lovar nya 3D-datauppsättningar att hjälpa robotar att avancera.

Stephanie Tellex , en biträdande professor vid Brown University som är specialiserad på robotinlärning, beskriver forskningen som en stor sak, och noterar att den kan påskynda mödosamma metoder för maskininlärning.

Det är svårt att samla in stora datamängder med robotdata, säger Tellex. Den här artikeln är spännande eftersom den visar att en simulerad datamängd kan användas för att träna en modell för att förstå. Och denna modell översätts till verkliga framgångar på en fysisk robot.

Framsteg inom kontrollalgoritmer och metoder för maskininlärning, tillsammans med ny hårdvara, bygger stadigt en grund på vilken en ny generation robotar kommer att fungera. Dessa system kommer att kunna utföra ett mycket bredare utbud av vardagliga uppgifter. Snyggare maskiner tar faktiskt redan på sig manuellt arbete som länge har varit utom räckhåll (se En robot med huvudet i molnet tacklar lagerplockning).

Russ Tedrake , en MIT-professor som arbetar med robotar, säger att ett antal forskargrupper gör framsteg med mycket mer kapabla fingerfärdiga robotar. Han tillägger att UC Berkeley-arbetet är imponerande eftersom det kombinerar nyare maskininlärningsmetoder med mer traditionella metoder som involverar resonemang över ett objekts form.

Uppkomsten av mer skickliga robotar kan också få betydande ekonomiska konsekvenser. Robotarna som finns i fabriker idag är anmärkningsvärt exakta och målmedvetna, men otroligt klumpiga när de står inför ett obekant föremål. Ett antal företag, inklusive Amazon, använder robotar i lager, men än så länge bara för att flytta runt produkter och inte för att plocka föremål för beställningar.

UC Berkeley-forskarna samarbetade med Juan Aparicio, en forskargruppschef på Siemens. Det tyska företaget är intresserad av att kommersialisera molnrobotik, bland andra anslutna tillverkningsteknologier.

Relaterad berättelse

Läs Nästa En ny skicklig robotgripare kan manipulera obekanta föremål, och den delar med sig av vad den lär sig med ett sinne i molnet.

Aparicio säger att forskningen är spännande eftersom armens tillförlitlighet erbjuder en tydlig väg mot kommersialisering.

Utvecklingen inom maskinskicklighet kan också ha betydelse för utvecklingen av artificiell intelligens. Manuell skicklighet spelade en avgörande roll i utvecklingen av mänsklig intelligens, och bildade en dygdig återkopplingsslinga med skarpare syn och ökad hjärnkraft. Förmågan att manipulera verkliga objekt mer effektivt verkar också spela en roll i utvecklingen av artificiell intelligens.

Dölj