TossingBot:een robotarm die 500 objecten per uur naar doellocaties kan gooien

• Nieuwe robot leert willekeurige objecten op te pikken en naar specifieke locaties te gooien.
• Het maakt gebruik van zowel deep learning als projectielfysica om nauwkeurig en snel objecten in ongestructureerde omgevingen te gooien.
• Binnen 14 uur trainingstijd bereikte het een werpnauwkeurigheid van 85%, met 87% grijpbetrouwbaarheid in rommel.

In het afgelopen decennium is er aanzienlijke vooruitgang geboekt bij het slimmer maken van robots om specifieke taken efficiënter uit te voeren en te leren van praktijkervaringen. Als het echter om de basisvaardigheden gaat, zoals vangen, slingeren, draaien en gooien, lopen robots nog steeds ver achter op mensen.

Nu hebben onderzoekers van Google, MIT, Princeton University en Columbia University een nieuwe robotarm ontwikkeld die kan leren willekeurige objecten op te pikken en naar specifieke locaties te gooien. Het maakt gebruik van zowel natuurkundige als diepgaande leermethoden om nauwkeurig en snel willekeurige objecten in ongestructureerde omgevingen te gooien.

Ze hebben deze robot TossingBot genoemd. Het kan een tot twee keer hogere orderverzamelsnelheid bereiken dan eerdere robots, met twee keer het effectieve plaatsingsbereik.

Betrokken uitdagingen

Iets gooien is geen gemakkelijke taak voor robots. Er zijn tal van factoren bij betrokken, van hoe objecten met verschillende vormen worden opgepikt tot fysieke eigenschappen van objecten zoals massa, aerodynamica en wrijving.

Als je bijvoorbeeld een zwaar, lang voorwerp van de rand pakt en het gooit, zou het verder weg landen dan wanneer je het vanuit het midden had opgepikt. Als je echter een licht voorwerp zoals een pingpongbal kiest, heb je een grote kracht nodig (vanwege luchtweerstand) om het op dezelfde afstand te gooien.

Het is bijna onmogelijk om handmatig een techniek te ontwikkelen die al deze parameters voor elk willekeurig object expliciet regelt. Het toepassen van trial-and-error-techniek is ook geen goed idee, omdat het zowel duur als tijdrovend is.

Deep learning en natuurkunde combineren

Hoewel deep learning de robot kan helpen om van ervaring te leren in plaats van te vertrouwen op mechanismen per geval, vereist het gooien van objecten precies naar hun doelpositie een goed begrip van projectielfysica.

Referentie:arXiv:1903.11239 | Google AI-blog  

Door beide functies te integreren, stelden de ingenieurs TossingBot in staat snel te trainen en te generaliseren naar nieuwe scenario's. Met behulp van enkele fundamentele wetten van de projectielfysica ontwikkelt de robot initiële controllers, die bijvoorbeeld berekent hoeveel werpsnelheid nodig is om een ​​specifiek object naar een doelpositie te werpen.

Vervolgens voorspellen neurale netwerken aanpassingen bovenop die natuurkundige berekeningen, om te compenseren voor externe factoren zoals variabiliteit en ruis in de echte wereld. Naast training vertrouwt de robotarm op de NVIDIA Titan GPU voor het in realtime reconstrueren van scènes (vastgelegd met RGB-dieptecamera's) in 3D en het verzamelen van 3D-gegevens terwijl de arm beweegt.

Binnen 14 uur trainingstijd behaalde TossingBot een werpnauwkeurigheid van 85%, met 87% grijpbetrouwbaarheid in rommel. Het was in staat om meer dan 500 willekeurige objecten te kiezen en in de dozen te gooien die buiten het maximale bereik waren geplaatst.

Wat nu?

Hoewel de resultaten behoorlijk indrukwekkend lijken, heeft de robot zijn tekortkomingen. Het veronderstelt bijvoorbeeld dat objecten sterk genoeg zijn om landingsbotsingen te weerstaan. Het evalueert ook controlevariabelen alleen op basis van visuele informatie.

Lezen:Nieuw AI-systeem leert robot om rechtstreeks van mensen te leren

In de volgende studie zullen onderzoekers hun systeem trainen om objecten te vangen op manieren die de landing dempen. Ze zijn ook van plan aanvullende detectiemodaliteiten te onderzoeken (zoals tactiele en kracht-koppel) die de robotarm in staat kunnen stellen zijn werpsnelheden beter aan te passen.