Наука и техника

Сайт посвящен машинному обучению, ИИ, ГМО и многому другому технологичному

Робота научили ловко хватать движущиеся предметы

Австралийские исследователи создали алгоритм для роботов, позволяющий им захватывать неподвижные и двигающиеся объекты с высокой точностью. Тесты показали, что робот успешно справляется с захватом двигающихся бытовых предметов в 88 процентах случаев, рассказывают разработчики в статье, которая будет представлена на конференции RSS 2018.

Захват предметов — сложный для роботов процесс, но, поскольку его можно применить во множестве промышленных роботов, многие инженеры работают над решением этой задачи. Для этого робота необходимо не только оснастить хорошо сконструированным манипулятором, но и научить его быстро воссоздавать объемную модель предмета и точно контролировать давление во время хватания. Существующие разработки уже умеют успешно захватывать предметы в большинстве случаев, но почти всегда они работают в со статичными предметами простой формы, а также в практически идеальных условиях, где вариативность окружения крайне мала — например, на конвейере.

Некоторые компании, стремящиеся максимально автоматизировать рабочий процесс, например, Amazon, даже проводят соревнования среди разработчиков роботов для захвата предметов. Группа инженеров из под руководством Юргена Ляйтнера (Jurgen Leitner) из Квинслендского Технологического Университета, победившая в этом конкурсе в 2017 году, представила новый алгоритм, позволяющий роботам быстро оценивать объекты для захвата, даже если они не находятся в неподвижном положении.

На манипуляторе робота установлена камера, создающая цветной снимок и карту глубины для него. После этого сверточная нейросеть создает на основе карты глубины новое изображение, на котором каждому пикселю присвоено предполагаемое качество захвата, угол поворота манипулятора и ширина манипулятора, необходимая для захвата. Затем на основе этих параметров вычисляется оптимальный вариант захвата и манипулятор получает соответствующую команду.

В отличие от предыдущих подобных разработок, алгоритм проводит эти расчеты с частотой до 50 раз в секунду и благодаря этому может корректировать свое движение в реальном времени, даже если цель сдвинулась:

Разработчики обучили алгоритм на популярном датасете для этой задачи, созданном инженерами из Корнеллского университета. Он состоит из 885 объектов и тысяч захватов, которые исследователи модифицировали и превратили в данные о более чем 51 тысяче захватов. После этого разработчики протестировали алгоритм на реальных предметах, таких как кружка или отвертка, и специальных напечатанных 3D-моделях, разработанных в качестве сложных примеров объектов для хватающих роботов. В результате робот успешно справился с захватом сложных двигающихся предметов в 83 процентах случаев, а с бытовыми предметами — в 88 процентах. Для неподвижных объектов эти показатели еще выше — 84 и 92 процента соответственно.

В качестве сложных моделей для захвата авторы использовали датасет других исследователей, составленный ими в прошлом году. Они также создали алгоритм для захвата предметов, но их робот способен делать это только с неподвижными предметами.

Машинное обучение и ИИ