Nieuwe simulatiemethode zorgt ervoor dat robots objecteigenschappen nauwkeurig kunnen detecteren

Massachusetts Institute of Technology, Cambridge, MA

Met een nieuwe simulatiemethode kunnen robots het gewicht, de zachtheid en andere fysieke eigenschappen van een object raden door het gewoon op te pakken. (Afbeelding:MIT Nieuws/iStock)

Een mens die rommel van een zolder opruimt, kan vaak de inhoud van een doos raden door hem simpelweg op te pakken en te schudden, zonder dat hij hoeft te zien wat erin zit. Onderzoekers van MIT, Amazon Robotics en de Universiteit van British Columbia hebben robots iets soortgelijks geleerd.

Ze ontwikkelden een techniek waarmee robots alleen interne sensoren kunnen gebruiken om het gewicht, de zachtheid of de inhoud van een object te leren kennen door het op te pakken en zachtjes te schudden. Met hun methode, waarvoor geen externe meetinstrumenten of camera's nodig zijn, kan de robot binnen enkele seconden nauwkeurig parameters zoals de massa van een object raden.

Deze goedkope techniek zou vooral nuttig kunnen zijn in toepassingen waarbij camera's mogelijk minder effectief zijn, zoals het sorteren van objecten in een donkere kelder of het opruimen van puin in een gebouw dat gedeeltelijk is ingestort na een aardbeving.

De sleutel tot hun aanpak is een simulatieproces dat modellen van de robot en het object integreert om snel de kenmerken van dat object te identificeren terwijl de robot ermee interageert.

De techniek van de onderzoekers is net zo goed in het raden van de massa van een object als sommige complexere en duurdere methoden waarin computervisie is verwerkt. Bovendien is hun data-efficiënte aanpak robuust genoeg om vele soorten ongeziene scenario's aan te kunnen.

"Dit idee is algemeen en ik geloof dat we nog maar het begin hebben van wat een robot op deze manier kan leren. Mijn droom zou zijn dat robots de wereld in gaan, dingen aanraken en verplaatsen in hun omgeving, en zelf de eigenschappen ontdekken van alles waarmee ze interacteren", zegt Peter Yichen Chen, een MIT-postdoc en hoofdauteur van een artikel over deze techniek.

De methode van het onderzoeksteam maakt gebruik van proprioceptie, het vermogen van een mens of robot om zijn beweging of positie in de ruimte waar te nemen. Een mens die bijvoorbeeld een halter optilt in de sportschool, kan het gewicht van die halter in zijn pols en biceps voelen, ook al houden hij de halter in zijn hand. Op dezelfde manier kan een robot de zwaarte van een object ‘voelen’ via de meerdere gewrichten in zijn arm.

"Een mens heeft geen supernauwkeurige metingen van de gewrichtshoeken in onze vingers of de precieze hoeveelheid koppel die we op een object uitoefenen, maar een robot wel. We profiteren van deze mogelijkheden", zegt co-auteur Chao Liu, een postdoc van het MIT.

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

De meeste robots hebben gezamenlijke encoders in de motoren die hun bewegende delen aandrijven, voegde Liu eraan toe. Dit maakt hun techniek kosteneffectiever dan sommige benaderingen, omdat er geen extra componenten nodig zijn, zoals tactiele sensoren of vision-trackingsystemen.

Om de eigenschappen van een object tijdens robot-objectinteracties te schatten, vertrouwt hun systeem op twee modellen:een model dat de robot en zijn beweging simuleert, en een model dat de dynamiek van het object simuleert. “Het hebben van een nauwkeurige digitale tweeling van de echte wereld is erg belangrijk voor het succes van onze methode”, voegde Chen eraan toe.

Hun algoritme “kijkt” hoe de robot en het object bewegen tijdens een fysieke interactie en gebruikt gezamenlijke encodergegevens om achteruit te werken en de eigenschappen van het object te identificeren. Een zwaarder object zal bijvoorbeeld langzamer bewegen dan een licht object als de robot dezelfde hoeveelheid kracht uitoefent.

Ze gebruiken een techniek genaamd differentieerbare simulatie, waarmee het algoritme kan voorspellen hoe kleine veranderingen in de eigenschappen van een object, zoals massa of zachtheid, de uiteindelijke gewrichtspositie van de robot beïnvloeden. De onderzoekers bouwden hun simulaties met behulp van de Warp-bibliotheek van NVIDIA, een open-source ontwikkeltool die differentieerbare simulaties ondersteunt.

Zodra de differentieerbare simulatie overeenkomt met de echte bewegingen van de robot, heeft het systeem de juiste eigenschap geïdentificeerd. Het algoritme kan dit binnen enkele seconden doen en hoeft slechts één realistisch traject van de bewegende robot te zien om de berekeningen uit te voeren.

“Technisch gezien zou je, zolang je het model van het object kent en weet hoe de robot kracht op dat object kan uitoefenen, in staat moeten zijn om de parameter te achterhalen die je wilt identificeren,” zei Liu. De onderzoekers gebruikten hun methode om de massa en zachtheid van een object te leren kennen, maar hun techniek kon ook eigenschappen bepalen zoals het traagheidsmoment of de viscositeit van een vloeistof in een container.

En omdat hun algoritme voor training geen uitgebreide dataset nodig heeft, zoals sommige methoden die afhankelijk zijn van computervisie of externe sensoren, zou het niet zo gevoelig zijn voor mislukkingen als het wordt geconfronteerd met onzichtbare omgevingen of nieuwe objecten.

In de toekomst willen de onderzoekers proberen hun methode te combineren met computervisie om een multimodale detectietechniek te creëren die nog krachtiger is.

"Dit werk probeert niet de computervisie te vervangen. Beide methoden hebben hun voor- en nadelen. Maar hier hebben we laten zien dat we zonder camera al een aantal van deze eigenschappen kunnen achterhalen", zei Chen.

Ze willen ook toepassingen verkennen met ingewikkeldere robotsystemen, zoals zachte robots, en complexere objecten, waaronder klotsende vloeistoffen of korrelige media zoals zand. Op de lange termijn hopen ze deze techniek toe te passen om het leren van robots te verbeteren, waardoor toekomstige robots snel nieuwe manipulatievaardigheden kunnen ontwikkelen en zich kunnen aanpassen aan veranderingen in hun omgeving.

Neem voor meer informatie contact op met Melanie Grados op Dit e-mailadres wordt beveiligd tegen spambots. U heeft Javascript nodig om het te kunnen zien.; 617-253-1682.