Когда роботы сталкиваются с незнакомыми объектами, им трудно понять простую истину: внешний вид — это еще не все. Они могут попытаться схватить блок только для того, чтобы обнаружить, что это буквально кусок пирога. Вводящий в заблуждение внешний вид этого объекта может привести к тому, что робот неправильно рассчитает физические свойства объекта, такие как вес и центр массы объекта, неправильно схватив его и приложив больше силы, чем необходимо.
Чтобы разобраться в этой иллюзии, исследователи Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) разработали Grasping Neural Process, модель прогнозирующей физики, способную выводить эти скрытые черты в реальном времени для более интеллектуального роботизированного захвата. Основываясь на ограниченных данных о взаимодействии, их система глубокого обучения может помочь роботам в таких областях, как склады и домашние хозяйства, за небольшую часть вычислительных затрат предыдущих алгоритмических и статистических моделей.
Нейронный процесс хватания обучен делать выводы о невидимых физических свойствах на основе истории попыток захвата и использует полученные свойства, чтобы угадать, какие захваты сработают хорошо в будущем. Предыдущие модели часто определяли захват робота только на основе визуальных данных.
Обычно методы, позволяющие определить физические свойства, основаны на традиционных статистических методах, которые требуют многих известных методов и большого количества вычислительного времени для хорошей работы. Нейронный процесс захвата позволяет этим машинам более эффективно выполнять хорошие захваты, используя гораздо меньше данных взаимодействия, и завершает вычисления менее чем за десятую долю секунды, в отличие от секунд (или минут), которые требуются традиционными методами.
Исследователи отмечают, что цепляющий нейронный процесс процветает в неструктурированных средах, таких как дома и склады, поскольку в обоих есть множество непредсказуемых объектов. Например, робот, работающий на основе модели MIT, может быстро научиться обращаться с плотно упакованными коробками с разным количеством продуктов питания, не видя внутренней части коробки, а затем размещать их там, где это необходимо. В центре выполнения объекты с разными физическими свойствами и геометрией будут помещаться в соответствующую коробку для отправки клиентам.
Обученный на 1000 уникальных геометрических формах и 5000 объектах, Grasping Neural Process добился стабильного понимания при моделировании новых 3D-объектов, созданных в репозитории ShapeNet. Затем группа под руководством CSAIL протестировала свою модель в физическом мире с помощью двух взвешенных блоков, где их работа превзошла базовый вариант, учитывающий только геометрию объектов. Ограниченная заранее 10 экспериментальными захватами, роботизированная рука успешно поднимала коробки в 18 и 19 из 20 попыток каждая, в то время как машина, будучи неподготовленной, давала только восемь и 15 стабильных захватов.
Роботы, выполняющие задачи по умозаключению, хотя и менее театральны, чем актеры, также должны выполнять действие, состоящее из трех частей: обучение, адаптация и тестирование. На этапе обучения роботы тренируются на фиксированном наборе объектов и учатся делать выводы о физических свойствах на основе истории успешных (или неудачных) захватов. Новая модель CSAIL амортизирует выводы о физике объектов, то есть обучает нейронную сеть прогнозировать выходные данные дорогостоящего статистического алгоритма. Для моделирования и прогнозирования того, какой захват лучше всего работает с различными объектами, необходим только один проход через нейронную сеть с ограниченными данными взаимодействия.
Затем на этапе адаптации робот знакомится с незнакомым объектом. На этом этапе нейронный процесс хватания помогает роботу экспериментировать и соответствующим образом обновлять свое положение, понимая, какой захват будет работать лучше всего. Этот этап доработки подготавливает машину к последнему этапу: тестированию, во время которого робот формально выполняет задачу над предметом, по-новому понимая его свойства.
«Как инженер, неразумно предполагать, что робот знает всю необходимую информацию, необходимую для успешного усвоения», — говорит ведущий автор Майкл Носуорти, аспирант Массачусетского технологического института в области электротехники и информатики (EECS) и филиал CSAIL. «Без людей, маркирующих свойства объекта, роботам традиционно приходилось использовать дорогостоящий процесс вывода». По словам ведущего автора, аспиранта EECS и члена CSAIL Сейджи Шоу, их нейронный процесс захвата может стать упрощенной альтернативой: «Наша модель помогает роботам делать это гораздо эффективнее, позволяя роботу представить, какой захват обеспечит лучший результат. »
«Чтобы вывести роботов из контролируемых пространств, таких как лаборатории или склады, в реальный мир, они должны лучше справляться с неизвестным и с меньшей вероятностью потерпеть неудачу при малейшем отклонении от своей программы. Эта работа является важным шагом на пути к реализации всего преобразующего потенциала робототехники», — говорит Чад Кессенс, исследователь автономной робототехники из армейской исследовательской лаборатории DEVCOM армии США, которая спонсировала работу.
Хотя их модель может помочь роботу эффективно определять скрытые статические свойства, исследователи хотели бы расширить систему, чтобы она могла корректировать захват в реальном времени для множества задач и объектов с динамическими характеристиками. Они предполагают, что их работа в конечном итоге поможет им выполнить несколько задач долгосрочного плана, например, взять морковку и нарезать ее. Более того, их модель может адаптироваться к изменениям в распределении масс в менее статичных объектах, например, когда вы наполняете пустую бутылку.
К исследователям, работающим над статьей, присоединился Николас Рой, профессор аэронавтики и астронавтики Массачусетского технологического института и член CSAIL, который является старшим автором. Недавно группа представила свою работу на Международной конференции IEEE по робототехнике и автоматизации.