Даже простые роботизированные захваты могут выполнять сложные задачи, если они разумно используют окружающую среду в качестве удобного помощника. По крайней мере, таковы результаты нового исследования Института робототехники Университета Карнеги-Меллона.
В робототехнике на простые захваты обычно возлагаются простые задачи, такие как захват объектов и размещение их в каком-либо месте. Однако, используя свое окружение, например, толкая предмет о стол или стену, простые захватчики могут выполнять искусные маневры, которые обычно считаются достижимыми только более сложными, хрупкими и дорогими искусственными руками с несколькими пальцами.
Однако в предыдущих исследованиях этой стратегии, известной как «внешняя ловкость», часто делались предположения о том, как захватчики будут хватать предметы. Это, в свою очередь, требовало особой конструкции захвата или движений робота.
«Простые захваты недооценены».
—Вэньсюань Чжоу, Университет Карнеги-Меллона
В новом исследовании ученые использовали ИИ для преодоления этих ограничений, чтобы применить внешнюю ловкость к более общим условиям и успешно захватывать предметы различных размеров, веса, форм и поверхностей.
«Это исследование может открыть новые возможности в манипулировании с помощью простого захвата», — говорит ведущий автор исследования Вэньсюань Чжоу из Университета Карнеги-Меллона. «Потенциальные приложения включают складских роботов или роботов-уборщиков, которые помогают людям организовать свой дом».
Исследователи использовали обучение с подкреплением для обучения нейронной сети . У них была система искусственного интеллекта, которая предпринимала случайные действия, чтобы схватить объект, вознаграждая те серии действий, которые привели к успеху. Таким образом, система в конечном итоге приняла наиболее успешные модели поведения. Он узнал, во многих словах. После первого обучения своей системы на физическом симуляторе они затем протестировали ее на простом роботе с захватом в виде клещей. Ученые заставили робота попытаться схватить предметы, находящиеся в открытом контейнере, которые изначально были ориентированы таким образом, что робот не мог их подобрать. Например, роботу может быть дан объект, слишком широкий для его захвата. ИИ нужно было найти способ прижать предмет к стенке мусорного ведра, чтобы робот мог затем схватить его сбоку.
«Изначально мы думали, что робот может попытаться сделать что-то вроде зачерпывания под объектом, как это делают люди», — говорит Чжоу. «Однако алгоритм дал нам неожиданный ответ». Подтолкнув предмет к стене, робот прижал верхний палец к боковой части предмета, чтобы поднять его, «а затем позволил предмету упасть на нижний палец, чтобы схватить его».
В ходе экспериментов Чжоу и ее коллеги проверили свою систему на таких предметах, как картонные коробки, пластиковые бутылки, игрушечный кошелек и контейнер с Cool Whip. Они различались по весу, форме и степени скользкости. Они обнаружили, что их простые захваты могут успешно захватывать эти предметы с вероятностью 78 процентов.
«Простые захваты недооценивают, — говорит Чжоу. «Роботы должны использовать внешнюю ловкость для более умелых манипуляций».
По словам Чжоу, в будущем группа надеется обобщить свои выводы на «более широкий круг объектов и сценариев». «Мы также заинтересованы в изучении более сложных задач с помощью простого захвата с внешней ловкостью».