211service.com
Eksklusivt: Dette er den mest fingerfærdige robot, der nogensinde er skabt
HALV CITRUS Citrus medier
Det ser måske ikke så specielt ud, men robotten ovenfor er ifølge en ny foranstaltning den mest behændige, der nogensinde er skabt. Blandt andre tricks kunne den sortere gennem din skrammelskuffe med uovertruffen hastighed og dygtighed.
Nøglen til dens fingerfærdighed er ikke i dens mekaniske gribere, men i dens hjerne. Robotten bruger software kaldet Dex-Net til at bestemme, hvordan man opfanger selv ulige genstande med utrolig effektivitet.
Dex-Net er udviklet af Ken Goldberg , professor ved UC Berkeley, og en af hans kandidatstuderende, Jeff Mahler. Softwaren kører på en industriel maskine fremstillet af ABB, en schweizisk robotvirksomhed. Goldberg demonstrerede den seneste version af sit system på EmTech Digital, en begivenhed i San Francisco arrangeret af MIT Technology Review og dedikeret til kunstig intelligens.
Goldbergs system er meget tættere på at matche et menneskes dygtighed end noget, der tidligere er udviklet. Industrielle robotter med bedre fingerfærdighed kunne finde anvendelse på lagre og fabrikker samt hospitaler og hjem.
Det, der er særligt smart ved Dex-Net, er, hvordan det lærer at forstå. Softwaren forsøger at samle objekter op i et virtuelt miljø, træne et dybt neuralt netværk gennem trial and error. Selv i simulering er dette en besværlig opgave. Det er dog afgørende, at Dex-Net kan generalisere fra et objekt, det har set før, til et nyt. Robotten vil endda skubbe en genstand for at få et bedre kig på den, hvis den ikke er sikker på, hvordan den skal gribes. Den seneste version af systemet inkluderer en højopløsnings 3D-sensor og to arme, der hver styres af et forskelligt neuralt netværk. En arm er udstyret med en konventionel robotgriber og en anden med et sugesystem. Robottens software scanner et objekt og ser derefter på begge neurale netværk for at beslutte, om det giver mere mening at gribe eller suge det pågældende objekt.
Forskere fra UC Berkeley udviklede også en bedre måde at måle en plukkerobots ydeevne på: en metrik kaldet gennemsnitlig pluk pr. time, som beregnes ved at gange den gennemsnitlige tid pr. pluk og den gennemsnitlige sandsynlighed for succes for et ensartet sæt objekter.
Den nye metrik vil hjælpe forskningslaboratorier, der arbejder med plukkerobotter, med at dele deres resultater. Vi har talt om, hvordan vi tilpasser vores resultater, så vi ser fremskridt, siger Goldberg. Det hele afhænger af, hvilken robot du bruger, hvilken sensor du bruger, og - meget vigtigt - hvilke objekter du bruger.
Jeremy Portje
Mennesker er i stand til at foretage mellem 400 og 600 gennemsnitlige pluk i timen. I en konkurrence arrangeret af Amazon for nylig, var de bedste robotter i stand til mellem 70 og 95. Den nye maskine når op på 200 til 300 gennemsnitlige pluk i timen, siger Goldberg. Resultaterne vil blive præsenteret på en konference i Australien senere på året.
Under sin præsentation tilføjede Goldberg, at han inden for fem år forventer, at robotter vil nå 'menneskelige eller endda overmenneskelige middeludvalg i timen.'
At gribe og manipulere akavede og ukendte objekter er en grundlæggende udfordring inden for robotteknologi, og en der har holdt teknologien tilbage. Robotterne, der for eksempel findes på bilfabrikker, er hurtige og præcise, men har ingen evne til at tilpasse sig skiftende eller ukendte omgivelser. Udover fabriks- eller lagerarbejde kan mere sofistikeret manipulation føre til de første nyttige robotter til at hjælpe mennesker på steder som hospitaler og ældreplejefaciliteter.
De seneste fremskridt inden for dette aspekt af robotteknologi er resultatet af flere samtidige tendenser. Mindre, sikrere robotter har spredt sig, nye former for endegribere er dukket op, og - mest betydningsfuldt - er der gjort store fremskridt inden for maskinlæring.
Jeff Mahler, en kandidatstuderende ved UC Berkeley, konfigurerer Dex-Net-robotsystemet. Adriel Olmos
Ud over Goldbergs arbejde og forskning på flere andre akademiske laboratorier, har forskere steder som f.eks DeepMind og OpenAI er begyndt at udforske, hvordan maskinlæring kunne bruges til at gøre robotter smartere og mere tilpasningsdygtige. Fremskridt inden for robotteknologi kan meget vel føres tilbage til andre områder af kunstig intelligens, såsom perception.
Maskinlæring har en hidtil uset indflydelse på robotteknologi, siger Russ Tedrake, en professor ved MIT, som har set UC Berkeley-robotten demonstreret. Der er en utrolig værdi i at få robotter til at sprede sig til det punkt, at vi endelig har store data til robotteknologi.