Mød den mest adrætte-fingrede robot endnu

Inde i et lyst dekoreret laboratorium ved University of California, Berkeley, har en almindeligt udseende robot udviklet en enestående evne til at opfange akavede og usædvanlige genstande. Hvad der dog er fantastisk er, at robotten blev så god til at gribe ved at arbejde med virtuelle objekter.

Robotten lærte, hvilken slags greb der skulle fungere for forskellige genstande ved at studere et stort datasæt af 3D-former og passende greb. UC Berkeley-forskerne førte billeder til et stort dybt-lærende neuralt netværk forbundet med en 3D-sensor og en standard robotarm. Når en ny genstand placeres foran den, finder robottens dybe læringssystem hurtigt ud af, hvilket greb armen skal bruge.

Botten er betydeligt bedre end noget, der er udviklet tidligere. I tests, da den var mere end 50 procent sikker på, at den kunne gribe en genstand, lykkedes det at løfte genstanden og ryste den uden at tabe genstanden 98 procent af tiden. Når robotten var usikker, ville den prikke til objektet for at finde ud af et bedre greb. Efter at have gjort det lykkedes det at løfte det 99 procent af tiden. Dette er et væsentligt skridt op i forhold til tidligere metoder, siger forskerne.

Relateret historie

Skal læses

Arbejdet viser, hvordan nye tilgange til robotlæring, kombineret med robotters evne til at få adgang til information gennem skyen, kan fremme robotternes muligheder på fabrikker og varehuse og måske endda gøre det muligt for disse maskiner at udføre nyttigt arbejde i nye omgivelser som hospitaler og hjem (se 10 Breakthrough Technologies 2017: Robotter der lærer hinanden). Det er beskrevet i en papir offentliggøres på en stor robotkonference, der afholdes i juli.

Mange forskere arbejder på måder, hvorpå robotter kan lære at forstå og manipulere ting ved at øve sig igen og igen, men processen er meget tidskrævende. Den nye robot lærer uden at skulle øve sig, og den er væsentligt bedre end noget tidligere system. Vi producerer bedre resultater, men uden den slags eksperimenter, siger Ken Goldberg , en professor ved UC Berkeley, der ledede arbejdet. Vi er meget begejstrede for dette.

University of California, Berkeley, professor Ken Goldberg (til venstre) og leder af Siemens Research Group, Juan Aparicio.

I stedet for at øve sig i den virkelige verden, lærte robotten ved at fodre på et datasæt med mere end tusinde objekter, der inkluderer deres 3-D-form, visuelle udseende og fysikken i at gribe dem. Dette datasæt blev brugt til at træne robottens dybe læringssystem. Vi kan generere tilstrækkelige træningsdata til dybe neurale netværk på en dag eller deromkring i stedet for at køre måneder med fysiske forsøg på en rigtig robot, siger Jeff Mahler, en postdoc-forsker, der arbejdede på projektet.

Goldberg og kolleger planlægger at frigive det datasæt, de har oprettet. Offentlige datasæt har været vigtige for at fremme det nyeste inden for computervision, og nu lover nye 3D-datasæt at hjælpe robotter med at komme videre.

Stephanie Tellex , en assisterende professor ved Brown University, som har specialiseret sig i robotlæring, beskriver forskningen som en big deal og bemærker, at den kunne fremskynde besværlige maskinlæringstilgange.

Det er svært at indsamle store datasæt af robotdata, siger Tellex. Dette papir er spændende, fordi det viser, at et simuleret datasæt kan bruges til at træne en model til at forstå. Og denne model oversættes til reelle succeser på en fysisk robot.

Fremskridt inden for kontrolalgoritmer og maskinlæringstilgange bygger sammen med ny hardware støt på et fundament, som en ny generation af robotter vil fungere på. Disse systemer vil være i stand til at udføre en meget bredere vifte af hverdagsopgaver. Mere adrætte maskiner påtager sig faktisk allerede manuelt arbejde, som længe har været uden for rækkevidde (se En robot med hovedet i skyen tackler lagerplukning).

Russ Tedrake , en MIT-professor, der arbejder på robotter, siger, at en række forskergrupper gør fremskridt med meget mere dygtige fingerfærdige robotter. Han tilføjer, at UC Berkeley-arbejdet er imponerende, fordi det kombinerer nyere maskinlæringsmetoder med mere traditionelle tilgange, der involverer ræsonnement over formen af ​​et objekt.

Fremkomsten af ​​mere behændige robotter kan også have betydelige økonomiske konsekvenser. Robotterne, der findes på fabrikker i dag, er bemærkelsesværdigt præcise og beslutsomme, men utroligt klodsede, når de står over for en ukendt genstand. En række virksomheder, herunder Amazon, bruger robotter på varehuse, men indtil videre kun til at flytte rundt på produkter og ikke til at plukke genstande til ordrer.

UC Berkeley-forskerne samarbejdede med Juan Aparicio, en forskningsgruppeleder hos Siemens. Det tyske firma er interesseret i at kommercialisere cloud-robotik, blandt andre forbundne produktionsteknologier.

Relateret historie

Læs Næste En behændig ny robotgriber kan manipulere ukendte objekter, og den deler, hvad den lærer med et hive sind i skyen.

Aparicio siger, at forskningen er spændende, fordi armens pålidelighed giver en klar vej mod kommercialisering.

Udviklingen inden for maskinbehændighed kan også have betydning for fremme af kunstig intelligens. Manuel fingerfærdighed spillede en afgørende rolle i udviklingen af ​​menneskelig intelligens og dannede en dydig feedback-loop med skarpere syn og øget hjernekraft. Evnen til at manipulere rigtige objekter mere effektivt synes også at spille en rolle i udviklingen af ​​kunstig intelligens.

skjule