Nieuwe simulatiemethode laat robotten nauwkeurig objecteigenschappen voelen

Massachusetts Institute of Technology, Cambridge, MA

Met een nieuwe simulatiemethode kunnen robotten het gewicht, zachtheid en andere fysieke eigenschappen van een object raden door het op te tillen. (Afbeelding: MIT News/iStock)

Menselijke intuïtie nabootsen in robotica

Een mens die rommel uit een zolder ruimt, kan vaak de inhoud van een doos raden door het simpelweg op te tillen en te schudden, zonder te hoeven kijken wat erin zit. Onderzoekers van MIT, Amazon Robotics en de University of British Columbia hebben robotters geleerd om iets dergelijks te doen.

Ze ontwikkelden een techniek die robotters in staat stelt om alleen interne sensoren te gebruiken om te leren over een object's gewicht, zachtheid of inhoud door het op te tillen en zacht te schudden. Met hun methode, die geen externe meettools of camera's vereist, kan de robot parameters zoals een object's massa in kwestie van seconden nauwkeurig inschatten.

Deze laag-kost techniek kan met name nuttig zijn in toepassingen waar camera's minder effectief kunnen zijn, zoals het sorteren van objecten in een donkere kelder of het opruimen van puin in een gedeeltelijk ingestorte gebouw na een aardbeving.

Sleutel: differentieerbare simulatie met digitale tweeling

Kern van hun benadering is een simulatieproces dat modellen van de robot en het object inkorporeert om snel kenmerken van dat object te identificeren terwijl de robot ermee interacteert.

De techniek van de onderzoekers is even goed in het raden van een object's massa als sommige complexere en duurdere methoden die computer vision inkorporeren. Bovendien is hun data-efficiënte benadering robuust genoeg om veel typen ongekende scenario's aan te kunnen.

"Dit idee is algemeen, en ik geloof dat we maar aan de oppervlakte krabben van wat een robot op deze manier kan leren. Mijn droom zou zijn om robotten de wereld in te laten gaan, dingen aan te raken en te verplaatsen in hun omgevingen, en de eigenschappen van alles wat ze interactie mee te laten bepalen op hun eigen," aldus Peter Yichen Chen, een MIT postdoc en hoofdauteur van een paper over deze techniek.

Proprioceptie en joint encoders

De methode van het onderzoeks team benut proprioceptie, wat de vermogen is van een mens of robot om zijn beweging of positie in de ruimte te voelen. Zum voorbeeld kan een mens die een dumbbell op de sportschool optilt, het gewicht van die dumbbell in hun pols en biceps voelen, ook al houden ze de dumbbell in hun hand. Op dezelfde manier kan een robot het "zwaarte" van een object voelen door de meerdere gewrichten in zijn arm.

"Een mens heeft geen super-nauwkeurige metingen van de gewrichtshoeken in onze vingers of het exacte bedrag aan koppel dat we op een object toepassen, maar een robot wel. We benutten deze capaciteiten," aldus co-auteur Chao Liu, die een MIT postdoc is.

Terwijl de robot een object optilt, verzamelt het systeem van de onderzoekers signalen van de joint encoders van de robot, wat sensoren zijn die de rotatiepositie en snelheid van de gewrichten tijdens beweging detecteren.

De meeste robotten hebben joint encoders binnen de motoren die hun bewegende delen aandrijven, voegde Liu toe. Dit maakt hun techniek kosteneffectiever dan sommige benaderingen omdat het geen extra componenten zoals tactiele sensoren of vision-tracking systemen nodig heeft.

Differentieerbare simulatie met NVIDIA Warp

Om een object's eigenschappen tijdens robot-object interacties te schatten, steunt hun systeem op twee modellen: één die de robot en zijn beweging simuleert en één die de dynamica van het object simuleert. "Een nauwkeurige digitale tweeling van de echte wereld is echt belangrijk voor het succes van onze methode," voegde Chen toe.

Hun algoritme "kijkt" naar de robot en het object bewegen tijdens een fysieke interactie en gebruikt joint encoder data om achterwaarts te werken en de eigenschappen van het object te identificeren. Zum voorbeeld, een zwaarder object zal langzamer bewegen dan een licht als de robot dezelfde hoeveelheid kracht toepast.

Ze benutten een techniek genaamd differentieerbare simulatie, wat het algoritme in staat stelt te voorspellen hoe kleine veranderingen in een object's eigenschappen, zoals massa of zachtheid, de eindpositie van de robot's gewricht beïnvloeden. De onderzoekers bouwden hun simulaties met NVIDIA's Warp library, een open-source developer tool die differentieerbare simulaties ondersteunt.

Eenmaal de differentieerbare simulatie overeenkomt met de echte bewegingen van de robot, heeft het systeem de juiste eigenschap geïdentificeerd. Het algoritme kan dit in kwestie van seconden doen en heeft slechts één real-world traject van de robot in beweging nodig om de berekeningen uit te voeren.

"Technisch gezien, zolang je het model van het object kent en hoe de robot kracht kan toepassen op dat object, zou je in staat moeten zijn om de parameter te bepalen die je wilt identificeren," aldus Liu. De onderzoekers gebruikten hun methode om de massa en zachtheid van een object te leren, maar hun techniek kan ook eigenschappen bepalen zoals moment van inertie of de viscositeit van een vloeistof in een container.

Bovendien, omdat hun algoritme geen uitgebreide dataset voor training nodig heeft zoals sommige methoden die vertrouwen op computer vision of externe sensoren, zou het niet zo gevoelig zijn voor falen bij ongekende omgevingen of nieuwe objecten.

Toekomst: multimodale sensing en zachte robotica

In de toekomst willen de onderzoekers hun methode combineren met computer vision om een multimodale sensing techniek te creëren die nog krachtiger is.

"Dit werk probeert computer vision niet te vervangen. Beide methoden hebben hun voor- en nadelen. Maar hier hebben we getoond dat zonder een camera we al enkele van deze eigenschappen kunnen uitvinden," aldus Chen.

Ze willen ook toepassingen verkennen met complexere robotische systemen, zoals zachte robotten, en complexere objecten, inclusief sloshing vloeistoffen of granulair media zoals zand. Op de lange termijn hopen ze deze techniek toe te passen om robotleren te verbeteren, wat toekomstige robotten in staat stelt om snel nieuwe manipulatieskills te ontwikkelen en zich aan te passen aan veranderingen in hun omgevingen.

Voor meer informatie, contacteer Melanie Grados via dit e-mailadres is beschermd tegen spambots. U heeft JavaScript ingeschakeld om het te kunnen zien.; 617-253-1682.