Come i robot possono insegnarsi rapidamente a vicenda ad afferrare nuovi oggetti

Afferrare una penna o un paio di occhiali da sole potrebbe essere facile per te o per me, ma è diabolicamente difficile per un robot, soprattutto se l'oggetto in questione non è familiare o posizionato in modo goffo.

Il Baxter nel laboratorio di Stefanie Tellex cerca di afferrare due oggetti contemporaneamente.

La pratica rende perfetti, però, come sta dimostrando un robot. Sta insegnando a se stesso ad afferrare tutti i tipi di oggetti attraverso ore di ripetizione. Il robot utilizza diverse telecamere e sensori a infrarossi per guardare un oggetto sconosciuto da varie angolazioni prima di tentare di raccoglierlo. Quindi lo fa usando diverse prese, scuotendo l'oggetto per assicurarsi che sia tenuto saldamente. Potrebbero essere necessari dozzine di tentativi prima che il robot trovi la presa giusta e decine di altri per assicurarsi che un oggetto non scivoli.

Potrebbe sembrare un processo noioso, ma una volta che il robot ha imparato a raccogliere qualcosa, può condividere quella conoscenza con altri robot che hanno gli stessi sensori e pinze. I ricercatori dietro lo sforzo sperano alla fine che centinaia di robot imparino collettivamente come afferrare un milione di cose diverse.

Il lavoro è stato svolto da Stefania Tellex , assistente professore alla Brown University, insieme a uno dei suoi studenti laureati, Giovanni Oberlin . Hanno usato un robot industriale a due braccia chiamato Baxter, prodotto dall'azienda con sede a Boston Ripensare alla robotica .

Al Northeast Robotics Colloquium, un evento tenutosi al Worcester Polytechnic Institute questo mese, Oberlin ha dimostrato le capacità di presa del robot al pubblico.

Consentire ai robot di manipolare gli oggetti più facilmente è una delle grandi sfide della robotica odierna e potrebbe avere un importante significato industriale (vedi I robot per la raccolta degli scaffali si contenderanno il premio Amazon).

Tellex afferma che i ricercatori di robotica sono sempre più alla ricerca di modi più efficienti per addestrare i robot a svolgere attività come la manipolazione. Ora disponiamo di potenti algoritmi, come il deep learning, che possono imparare da grandi set di dati, ma questi algoritmi richiedono dati, afferma. La pratica del robot è un modo per acquisire i dati di cui un robot ha bisogno per imparare a manipolare in modo robusto gli oggetti.

Tellex rileva inoltre che oggi ci sono circa 300 robot Baxter in vari laboratori di ricerca in tutto il mondo. Se ciascuno di quei robot usasse entrambe le braccia per esaminare nuovi oggetti, dice, sarebbe possibile per loro imparare ad afferrare un milione di oggetti in 11 giorni. Facendo in modo che i robot condividano ciò che hanno appreso, è possibile aumentare la velocità di raccolta dei dati di ordini di grandezza, afferma.

Per afferrare ogni oggetto, il robot dei ricercatori Brown lo scansiona da varie angolazioni utilizzando una delle telecamere nelle sue braccia e i sensori a infrarossi sul suo corpo. Ciò consente di identificare possibili posizioni in cui afferrare. I ricercatori hanno utilizzato una tecnica matematica per ottimizzare il processo di pratica di diverse prese. Con questa tecnica, il robot Baxter del team ha raccolto oggetti fino al 75% in più in modo affidabile rispetto al suo normale software. Le informazioni acquisite per ciascun oggetto - le immagini, le scansioni 3D e la presa corretta - sono codificate in un formato che ne consente la condivisione online.

Altri gruppi stanno sviluppando metodi per consentire ai robot di imparare a svolgere vari compiti, inclusa la presa. Uno dei modi più promettenti per raggiungere questo obiettivo è l'apprendimento profondo utilizzando le cosiddette reti neurali, che sono simulazioni vagamente modellate sul modo in cui i nervi nel cervello elaborano le informazioni e apprendono (vedi Robot Toddler Learns to Stand by 'Imagining' How to Do It ).

Sebbene gli esseri umani acquisiscano la capacità di afferrare attraverso l'apprendimento, un bambino non ha bisogno di passare così tanto tempo a maneggiare oggetti diversi e può usare l'esperienza precedente per capire molto rapidamente come raccogliere un nuovo oggetto. Tellex afferma che l'obiettivo finale del suo progetto è fornire ai robot abilità simili. Il nostro obiettivo a lungo termine è utilizzare questi dati per generalizzare a nuovi oggetti, afferma.

nascondere