Møt den mest kvikkfingrede roboten til nå

Inne i et lyst dekorert laboratorium ved University of California, Berkeley, har en ordinært utseende robot utviklet en eksepsjonell evne til å plukke opp vanskelige og uvanlige gjenstander. Det som er slående er imidlertid at roboten ble så god til å gripe ved å jobbe med virtuelle objekter.

Roboten lærte hva slags grep som skulle fungere for forskjellige gjenstander ved å studere et stort datasett med 3D-former og passende grep. UC Berkeley-forskerne matet bilder til et stort dypt-lærende nevralt nettverk koblet til en hyllevare 3D-sensor og en standard robotarm. Når en ny gjenstand plasseres foran den, finner robotens dyplæringssystem raskt ut hvilket grep armen skal bruke.

Boten er betydelig bedre enn noe som er utviklet tidligere. I tester, når den var mer enn 50 prosent sikker på at den kunne gripe en gjenstand, lyktes den i å løfte gjenstanden og riste den uten å miste gjenstanden 98 prosent av tiden. Når roboten var usikker, ville den stikke i objektet for å finne ut et bedre grep. Etter å ha gjort det lyktes den med å løfte den 99 prosent av tiden. Dette er et betydelig steg opp fra tidligere metoder, sier forskerne.

Relatert historie

Må lese

Arbeidet viser hvordan nye tilnærminger til robotlæring, kombinert med muligheten for roboter til å få tilgang til informasjon gjennom skyen, kan fremme mulighetene til roboter i fabrikker og varehus, og kan til og med gjøre det mulig for disse maskinene å gjøre nyttig arbeid i nye omgivelser som sykehus og hjem (se 10 Breakthrough Technologies 2017: Robots That Teach Other ). Det er beskrevet i en papir skal publiseres på en stor robotkonferanse som arrangeres i juli.

Mange forskere jobber med måter for roboter å lære å forstå og manipulere ting ved å øve om og om igjen, men prosessen er veldig tidkrevende. Den nye roboten lærer uten å trene, og den er betydelig bedre enn noe tidligere system. Vi produserer bedre resultater, men uten den typen eksperimentering, sier Ken Goldberg , en professor ved UC Berkeley som ledet arbeidet. Vi er veldig spente på dette.

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

I stedet for å øve i den virkelige verden, lærte roboten ved å mate på et datasett med mer enn tusen objekter som inkluderer deres 3D-form, visuelle utseende og fysikken ved å gripe dem. Dette datasettet ble brukt til å trene robotens dyplæringssystem. Vi kan generere tilstrekkelig treningsdata for dype nevrale nettverk på en dag eller så i stedet for å kjøre måneder med fysiske forsøk på en ekte robot, sier Jeff Mahler, en postdoktor som jobbet med prosjektet.

Goldberg og kollegene planlegger å frigi datasettet de opprettet. Offentlige datasett har vært viktige for å fremme det nyeste innen datasyn, og nå lover nye 3D-datasett å hjelpe roboter å komme videre.

Stephanie Tellex , en assisterende professor ved Brown University som spesialiserer seg på robotlæring, beskriver forskningen som en stor sak, og bemerker at den kan akselerere arbeidskrevende tilnærminger til maskinlæring.

Det er vanskelig å samle inn store datasett med robotdata, sier Tellex. Denne artikkelen er spennende fordi den viser at et simulert datasett kan brukes til å trene en modell for å gripe. Og denne modellen oversettes til virkelige suksesser på en fysisk robot.

Fremskritt innen kontrollalgoritmer og maskinlæringsmetoder, sammen med ny maskinvare, bygger stadig et grunnlag som en ny generasjon roboter vil operere på. Disse systemene vil kunne utføre et mye bredere spekter av dagligdagse oppgaver. Mer kvikkfingrede maskiner tar faktisk allerede på seg manuelt arbeid som lenge har vært utenfor rekkevidde (se En robot med hodet i skyen takler varehusplukking ).

Russ Tedrake , en MIT-professor som jobber med roboter, sier at en rekke forskningsgrupper gjør fremskritt med mye mer kapable fingernem roboter. Han legger til at UC Berkeley-arbeidet er imponerende fordi det kombinerer nyere maskinlæringsmetoder med mer tradisjonelle tilnærminger som involverer resonnement over formen til et objekt.

Fremveksten av mer behendige roboter kan også ha betydelige økonomiske implikasjoner. Robotene som finnes i fabrikker i dag er bemerkelsesverdig presise og målbevisste, men utrolig klønete når de står overfor en ukjent gjenstand. En rekke selskaper, inkludert Amazon, bruker roboter i varehus, men foreløpig kun for å flytte rundt på produkter, og ikke for å plukke objekter for bestillinger.

UC Berkeley-forskerne samarbeidet med Juan Aparicio, en forskningsgruppeleder ved Siemens. Det tyske selskapet er interessert i å kommersialisere skyrobotikk, blant andre tilkoblede produksjonsteknologier.

Relatert historie

Les Neste En fingernem ny robotgriper kan manipulere ukjente objekter, og den deler det den lærer med et hivesinn i skyen.

Aparicio sier forskningen er spennende fordi påliteligheten til armen gir en klar vei mot kommersialisering.

Utviklingen innen maskinbehendighet kan også ha betydning for utviklingen av kunstig intelligens. Manuell fingerferdighet spilte en kritisk rolle i utviklingen av menneskelig intelligens, og dannet en dydig tilbakemeldingssløyfe med skarpere syn og økende hjernekraft. Evnen til å manipulere virkelige objekter mer effektivt ser ut til å spille en rolle i utviklingen av kunstig intelligens også.

gjemme seg