211service.com
Eksklusivt: Dette er den mest behendige roboten som noen gang er laget
HALV SITRUS Sitrus medium
Det ser kanskje ikke så spesielt ut, men roboten ovenfor er, ifølge et nytt mål, den mest fingernemste som noen gang er laget. Blant andre triks kan den sortere i søppelskuffen din med uovertruffen hastighet og dyktighet.
Nøkkelen til dens fingerferdighet ligger ikke i dens mekaniske gripere, men i hjernen. Roboten bruker programvare kalt Dex-Net for å finne ut hvordan den skal plukke opp selv rart utseende objekter med utrolig effektivitet.
Dex-Net ble utviklet av Ken Goldberg , professor ved UC Berkeley, og en av doktorgradsstudentene hans, Jeff Mahler. Programvaren kjører på en industriell maskin laget av ABB, et sveitsisk robotikkselskap. Goldberg demonstrerte den siste versjonen av systemet sitt på EmTech Digital, et arrangement i San Francisco organisert av MIT Technology Review og dedikert til kunstig intelligens.
Goldbergs system er mye nærmere å matche dyktigheten til et menneske enn noe som er utviklet tidligere. Industriroboter med bedre fingerferdighet kan finne anvendelse i varehus og fabrikker samt sykehus og hjem.
Det som er spesielt smart med Dex-Net er hvordan det lærer å forstå. Programvaren prøver å plukke opp objekter i et virtuelt miljø, trene et dypt nevralt nettverk gjennom prøving og feiling. Selv i simulering er dette en møysommelig oppgave. Det er imidlertid avgjørende at Dex-Net kan generalisere fra et objekt det har sett før til et nytt. Roboten vil til og med dytte en gjenstand for å få en bedre titt på den hvis den ikke er sikker på hvordan den skal gripes. Den nyeste versjonen av systemet inkluderer en høyoppløselig 3D-sensor og to armer, hver kontrollert av et annet nevralt nettverk. En arm er utstyrt med en konvensjonell robotgriper og en annen med sugesystem. Robotens programvare skanner et objekt og ser deretter på begge nevrale nettverkene for å avgjøre om det er mer fornuftig å gripe eller suge det bestemte objektet.
Forskere fra UC Berkeley utviklet også en bedre måte å måle ytelsen til en plukkerobot: en beregning kalt gjennomsnittlige plukk per time, som beregnes ved å multiplisere gjennomsnittlig tid per plukking og gjennomsnittlig sannsynlighet for suksess for et konsistent sett med objekter.
Den nye beregningen vil hjelpe forskningslaboratorier som jobber med plukkeroboter med å dele resultatene sine. Vi har snakket om hvordan vi skal justere resultatene våre slik at vi ser fremgang, sier Goldberg. Alt avhenger av hvilken robot du bruker, hvilken sensor du bruker, og – veldig viktig – hvilke gjenstander du bruker.
Jeremy Portje
Mennesker er i stand til mellom 400 og 600 gjennomsnittlige plukker i timen. I en konkurranse arrangert av Amazon nylig, var de beste robotene i stand til mellom 70 og 95. Den nye maskinen når 200 til 300 gjennomsnittlige valg i timen, sier Goldberg. Resultatene vil bli presentert på en konferanse i Australia senere i år.
Under sin presentasjon la Goldberg til at innen fem år forventer han at roboter vil nå 'menneskelige eller til og med overmenneskelige gjennomsnittlige valg per time.'
Å gripe tak i og manipulere vanskelige og ukjente objekter er en grunnleggende utfordring innen robotikk, og en som har holdt teknologien tilbake. Robotene som finnes i bilfabrikker, for eksempel, er raske og presise, men har ingen evne til å tilpasse seg en skiftende eller ukjent setting. Foruten fabrikk- eller lagerarbeid, kan mer sofistikert manipulasjon føre til de første nyttige robotene for å hjelpe mennesker på steder som sykehus og eldreomsorg.
Nylig fremgang i dette aspektet av robotikk er et resultat av flere samtidige trender. Mindre, sikrere roboter har spredt seg, nye typer endegripere har dukket opp, og – det viktigste – store fremskritt har blitt gjort innen maskinlæring.
Jeff Mahler, en doktorgradsstudent ved UC Berkeley, konfigurerer Dex-Net-robotsystemet. Adriel Olmos
I tillegg til Goldbergs arbeid og forskning ved flere andre akademiske laboratorier, har forskere på steder som DeepMind og OpenAI har begynt å utforske hvordan maskinlæring kan brukes til å gjøre roboter smartere og mer tilpasningsdyktige. Fremskritt innen robotikk kan godt gå tilbake til andre områder av AI, for eksempel persepsjon.
Maskinlæring har en enestående innvirkning på robotikk, sier Russ Tedrake, professor ved MIT som har sett UC Berkeley-roboten demonstrert. Det er utrolig verdi i å få roboter til å spre seg til det punktet at vi endelig har store data for robotikk.