AI-gebaseerde robot leert een spelletje Jenga te spelen

• Onderzoekers ontwikkelen een robotarm die tastzin en visie gebruikt om het spel van Jenga te leren.
• De machine-leermethode die in dit werk is ontwikkeld, kan robots helpen consumentenproducten te assembleren en andere taken uit te voeren die zorgvuldige fysieke interactie vereisen.

Jenga is een complex spel dat nauwkeurige oog-handcoördinatie en strategie vereist. Als mensen integreren we naadloos onze zintuigen van bezienswaardigheden en aanrakingen om dit spel onder de knie te krijgen. Robots daarentegen beschikken nog niet over dit niveau van verfijning.

De meeste robotleersystemen gebruiken alleen visuele gegevens, zonder tastzin, wat hun vermogen om over de buitenwereld te leren in feite beperkt. Bestaande leeralgoritmen op basis van modelvrije leertechnieken voor versterking hebben weinig tot geen mogelijkheid om kennis over fysieke objecten, contacten of krachten te benutten.

Onlangs hebben onderzoekers van MIT's MCube Lab een algoritme ontwikkeld om dit vermogen te repliceren met behulp van een robot. In tegenstelling tot conventionele machine learning-technieken die enorme datasets gebruiken om hun volgende beste zet te evalueren, leert en exploiteert deze robot een hiërarchisch model dat zachte en nauwkeurige extractie van stukken mogelijk maakt.

Jenga-spelende robot

De robot is uitgerust met een externe RGB-camera, een zachte grijper en een polsmanchet met krachtdetectie. Met al deze componenten kan de robot de Jenga-toren en zijn afzonderlijke blokken observeren en voelen.

De onderzoekers hebben een industriële ABB IRB 120 robotarm aangepast en een Jenga-toren binnen handbereik neergezet. Terwijl de arm zachtjes tegen een blok duwt, legt een computer tactiele en visuele feedback van de manchet en camera vast en vergelijkt deze metingen met de eerdere bewegingen van de robot.

Referentie:ScienceRobotics | doi:10.1126/scirobotics.aav3123 | MIT

Dit model stelt de robot in staat om de staat van een stuk nauwkeurig in te schatten, de volgende mogelijke zetten te simuleren en een gunstige te beslissen. In realtime leert de machine of het blok moet blijven duwen of naar een nieuw blok moet gaan om te voorkomen dat de structuur instort.

Dit is een grotere uitdaging dan het ontwikkelen van AI voor schaken of Go, aangezien het spel van Jenga fysieke basisvaardigheden vereist, zoals trekken, duwen, plaatsen en uitlijnen van individuele blokken.

De robot die in dit werk is ontwikkeld, identificeert efficiënt wanneer een blok vast of vrij aanvoelt en beslist hoe het met veel minder gegevens moet worden geëxtraheerd. Het is getraind op bijna 300 pogingen (in plaats van tienduizenden pogingen). Pogingen tot vergelijkbare resultaten en metingen worden gegroepeerd in clusters en elk cluster vertegenwoordigt specifiek blokgedrag.

Voor elk afzonderlijk datacluster ontwikkelde de machine een model om het gedrag van een blok te schatten, gegeven de huidige tactiele en visuele metingen. Deze clusterstrategie — geïnspireerd op de natuurlijke manier waarop mensen leren — verhoogt de efficiëntie van de robot aanzienlijk, waarmee hij het spel kan leren spelen.

Toepassingen

Deze methode is een succesvol voorbeeld van kunstmatige intelligentie die de fysieke wereld binnendringt. Terwijl de robot interageert met zijn omgeving, leert hij enkele van de basisvaardigheden die menselijke manipulatie definiëren.

Lezen:Dactyl:een mensachtige robothand die AI gebruikt om ongekende behendigheid te bereiken

Dit tactiele leersysteem kan worden toegepast op taken buiten het spel van Jenga, vooral die taken die zorgvuldige fysieke interactie vereisen. Bijvoorbeeld het assembleren van consumentenproducten en het scheiden van recyclebaar materiaal van het stortafval.

In een assemblagelijn voor smartphones en laptops vereisen de meeste stappen bijvoorbeeld aanraking en krachtacties in plaats van alleen visie, en deze technologie zou dergelijke assemblagelijnen drastisch kunnen verbeteren.