211service.com
Din personlige robotassistent
Bortset fra Roomba har robotter ikke gjort store fremskridt med at infiltrere amerikanske hjem. Men forskere ved Stanford University har udviklet software, der overvinder en af de største udfordringer: At lære en robot, hvordan man samler et objekt op, den aldrig har mødt før. Robottens software antyder, at den bedste måde at opfange noget nyt på er ved at bestemme den mest gribelige del af objektet – for eksempel stilken på et vinglas, håndtaget på et krus eller kanten af en bog.
Saml det op: Stanford-forskere har designet software, der hjælper en robot med at få fat i objekter, som den aldrig har set før. Hardwaren sidder på en Segway-hjulbase og inkluderer to lasere til navigation, en robotarm til at gribe, højttalere, kameraer og en mikrofon.
Ingeniører og science-fiction-fans har længe drømt om at sætte robotter i hjemmet, siger Andrew Ng , professor i datalogi ved Stanford. Faktisk kunne robothardwaren, der eksisterer i dag, tillade en robot at udføre de komplekse opgaver, der kræves for at samle genstande op, holde et hus rent og så videre. Men den manglende brik, forklarer Ng, er software, der kan tillade robotter at gøre disse ting selv. En fingerfærdig robot med smarte evner til at samle nye genstande op uden at være specifikt programmeret til at gøre det, kunne være nyttig til komplekse huslige opgaver som at fodre kæledyrene og fylde opvaskemaskinen.
Selvom det er rigtigt, at nogle robotter er i stand til at opfange specifikke objekter, selv på et rodet bord, gør de det ved hjælp af specifikke tredimensionelle modeller, der er blevet forprogrammeret, siger Aaron Edsinger , grundlægger af Meka Robotics , en startup i San Francisco. Men det forudsætter, at vi på forhånd vil være i stand til at vide, hvilke genstande der er derude, siger han. Dette kan for eksempel være uvæsentligt i et omhyggeligt konstrueret plejehjem, men det ville være vigtigt i en travl families lejlighed eller hus.
I stedet for at bruge forudbestemte modeller af objekter, bygger nogle robotikere, inklusive Edsinger og Ng, perceptionssystemer til robotter, der leder efter bestemte funktioner på objekter, der er gode til at forstå. Stanford-teamet har nærmet sig problemet ved at indsamle en række tidligere fragmenterede teknologier, siger Ng, såsom computersyn, maskinlæring, talegenkendelse og gribehardware, og sætte dem sammen i en robot kaldet TRAPPE (Stanford Artificial Intelligence Robot).
Multimedier
Se robotten adlyde instruktionerne for at hente en hæftemaskine.
Se robotten samle en række forskelligt formede genstande op.
Se robotten åbne en dør.
STAIRs hardware består af en mobil robotarm med en mikrofon, en højttaler, sensorer og kameraer, der hjælper armen med at hente objekter. Robottens software har sit fundament i maskinlæringsalgoritmer, der kan trænes til at udføre bestemte funktioner. Forskerne trænede softwaren ved at bruge 2.500 billeder af objekter, med gribelige områder identificeret.
Men at tage springet fra todimensionelle billeder til en tredimensionel verden var en udfordring, siger Ng. Typisk kan en robot skabe et 3D-billede af sit miljø – så den ved hvor langt væk kaffekanden er fra sin hånd – ved hjælp af input fra to kameraer. Denne afstand bestemmes normalt ved at indsamle et stort antal punkter på et objekt med højre og venstre kamera, og derefter triangulere alle data for at bygge en 3-D-model. Denne proces tager dog meget computerkraft og tid.
Ngs team udviklede et alternativ, der forenkler processen. I stedet for at indsamle data om mange punkter på et objekt, identificerer forskernes algoritme midtpunktet af en gribelig del af et objekt, såsom et håndtag, ved at beregne kanterne på et objekt og sammenligne dette med kanterne på statistisk lignende objekter i databasen. Softwaren matcher dette punkt ved hjælp af begge kameraer og triangulerer afstanden. Dette var den centrale idé, der fik alle vores fatte ting til at fungere, siger Ng. Vi har nu gjort ting som at fylde ting fra en opvaskemaskine.
Robotter mangler stadig at lære de finere sider af automatisk manipulation, tilføjer Ng. STAIR er kun designet til at gribe genstande og ikke til at justere grebet afhængigt af situationen. For eksempel var den ikke bygget til at hælde kaffe fra en kande – en opgave, der kan kræve en anden grebsposition og et andet tryk end blot at tage kanden op og placere den på en hylde. Derudover kender softwaren ikke objektets konsistens - om det er squishy eller solid. Men forskere arbejder på disse problemer, og i sidste ende vil en personlig robot have en kombination af sanseteknologier og forskellig software, der gør det muligt for den at opfange og manipulere et objekt. (Se Robotter, der sanser, før de rører.)
Der kan gå år, før alle teknologierne er integreret godt nok, så robotter kan klare komplekse huslige pligter på egen hånd, men Stanford-arbejdet skubber drømmen fremad. Hvis jeg skulle vælge én ting, der holder denne vision om personlig robotteknologi tilbage, ville det være evnen til at samle ting op og manipulere dem, siger Josh Smith , seniorforsker ved Intel Research, i Seattle. Vi har brug for flere gribestrategier, som [Stanford-forskernes], der ikke kræver en eksplicit 3D-model af objektet. Han tilføjer, at udover at robotten har forbedrede computersynsteknikker, vil selve robottens hånd højst sandsynligt have en række sensorer, der kan mærke, om en genstand bevæger sig, eller om grebet ikke er rigtigt. Meget rigere sansning i hånden vil være en vigtig del af løsningen, siger Smith.