ИИ помогает роботам манипулировать объектами

Прочитано: 321 раз(а)


Представьте, что вы хотите нести большую и тяжелую коробку вверх по лестнице. Вы можете растопырить пальцы и поднять коробку обеими руками, затем держать ее на предплечьях и сбалансировать на груди, используя все тело, чтобы манипулировать коробкой.

Люди, как правило, хорошо умеют манипулировать всем телом, но роботы с такими задачами справляются с трудом. Для робота каждое место, где коробка может коснуться любой точки на пальцах, руках и туловище носителя, представляет собой событие контакта, о котором он должен подумать. Учитывая миллиарды потенциальных контактов, планирование этой задачи быстро становится невыполнимым.

Теперь исследователи Массачусетского технологического института нашли способ упростить этот процесс, известный как планирование манипуляций с большим количеством контактов. Они используют метод искусственного интеллекта, называемый сглаживанием, который суммирует множество событий контакта в меньшее количество решений, чтобы даже простой алгоритм мог быстро определить эффективный план манипуляции для робота.

Хотя этот метод еще находится на заре своего развития, он потенциально может позволить фабрикам использовать меньших мобильных роботов, которые могут манипулировать объектами всей рукой или телом, а не большими роботизированными руками, которые могут захватывать только кончиками пальцев. Это может помочь снизить потребление энергии и снизить затраты. Кроме того, эта технология может быть полезна в роботах, отправляемых в исследовательские миссии на Марс или другие тела Солнечной системы, поскольку они смогут быстро адаптироваться к окружающей среде, используя только бортовой компьютер.

«Вместо того, чтобы думать об этом как о системе «черного ящика», если мы сможем использовать структуру такого рода роботизированных систем с помощью моделей, есть возможность ускорить всю процедуру принятия этих решений и придумать богатые контактами решения. планов», — говорит Х.Дж. Терри Су, аспирант электротехники и информатики (EECS) и соавтор статьи по этой методике.

К работе над статьей присоединился соавтор Тао Пан, доктор философии. 23 года, робототехник в Бостонском институте искусственного интеллекта; Луцзе Ян, аспирант EECS; и старший автор Расс Тедрейк, профессор Toyota в области EECS, аэронавтики и космонавтики и машиностроения, а также член Лаборатории компьютерных наук и искусственного интеллекта (CSAIL). Исследование появится на этой неделе в журнале IEEE Transactions on Robotics.

Обучение об обучении

Обучение с подкреплением — это метод машинного обучения, при котором агент, подобно роботу, учится выполнять задачу методом проб и ошибок с вознаграждением за приближение к цели. Исследователи говорят, что этот тип обучения использует подход «черного ящика», поскольку система должна изучать все о мире методом проб и ошибок.

Он эффективно использовался для планирования манипуляций с большим количеством контактов, когда робот пытается научиться лучше всего перемещать объект определенным образом.

Но поскольку могут существовать миллиарды потенциальных точек контакта, о которых робот должен учитывать, определяя, как использовать свои пальцы, руки, руки и тело для взаимодействия с объектом, этот подход методом проб и ошибок требует большого количества вычислений.

«Обучению с подкреплением, возможно, придется пройти миллионы лет моделирования, чтобы действительно можно было изучить политику», — добавляет Су.

С другой стороны, если исследователи специально разрабатывают модель, основанную на физике, используя свои знания о системе и задаче, которую они хотят выполнить от робота, эта модель включает в себя структуру этого мира, которая делает его более эффективным.

Однако подходы, основанные на физике, не так эффективны, как обучение с подкреплением , когда дело доходит до планирования манипуляций с большим количеством контактов. Су и Панг задавались вопросом, почему.

Они провели подробный анализ и обнаружили, что метод, известный как сглаживание, обеспечивает столь хорошую работу обучения с подкреплением.

Многие решения, которые робот может принять при определении того, как манипулировать объектом, не важны в общей схеме вещей. Например, каждое бесконечно малое движение одного пальца, независимо от того, приводит ли оно к контакту с объектом, не имеет большого значения. Сглаживание средних значений исключает многие из этих неважных, промежуточных решений, оставляя лишь несколько важных.

Обучение с подкреплением неявно выполняет сглаживание, пробуя множество точек контакта и затем вычисляя средневзвешенное значение результатов. Опираясь на это понимание, исследователи из Массачусетского технологического института разработали простую модель, которая выполняет аналогичный тип сглаживания, что позволяет ей сосредоточиться на основных взаимодействиях робота и объекта и прогнозировать долгосрочное поведение. Они показали, что этот подход может быть столь же эффективным, как и обучение с подкреплением, при создании сложных планов.

«Если вы знаете немного больше о своей проблеме, вы сможете разработать более эффективные алгоритмы», — говорит Панг.

Выигрышная комбинация

Несмотря на то, что сглаживание значительно упрощает принятие решений, поиск оставшихся решений все равно может оказаться сложной проблемой. Итак, исследователи объединили свою модель с алгоритмом, который может быстро и эффективно перебирать все возможные решения, которые может принять робот.

Благодаря такой комбинации время вычислений на стандартном ноутбуке сократилось примерно до минуты.

Сначала они проверили свой подход в симуляциях, где роботизированным рукам давались такие задачи, как перемещение ручки в желаемую конфигурацию, открытие двери или поднятие тарелки. В каждом случае их подход, основанный на моделях, достиг той же производительности, что и обучение с подкреплением, но за долю времени. Они увидели аналогичные результаты, когда протестировали свою модель на реальных роботизированных руках.

«Те же идеи, которые позволяют манипулировать всем телом, также работают для планирования с помощью ловких, похожих на человеческие рук. Ранее большинство исследователей говорили, что обучение с подкреплением было единственным подходом, который можно масштабировать и для ловких рук, но Терри и Тао показали, что, взяв этот ключ идея (рандомизированного) сглаживания на основе обучения с подкреплением, они также могут заставить более традиционные методы планирования работать очень хорошо», — говорит Тедрейк.

Однако разработанная ими модель основана на более простой аппроксимации реального мира, поэтому она не может обрабатывать очень динамичные движения, такие как падение объектов. Хотя этот подход эффективен для более медленных манипуляций, его подход не может создать план, который позволил бы роботу , например, выбросить мусорное ведро в мусорное ведро. В будущем исследователи планируют усовершенствовать свою технику, чтобы она могла справляться с этими высокодинамичными движениями.

«Если вы внимательно изучите свои модели и действительно поймете проблему, которую пытаетесь решить, вы определенно сможете добиться определенных успехов. Есть преимущества в том, чтобы делать вещи, выходящие за рамки черного ящика», — говорит Су.

ИИ помогает роботам манипулировать объектами



Новости партнеров