Forskere ved Massachusetts Institute of Technology (MIT) har udviklet en AI-teknik, der er designet til at give robotter mulighed for at manipulere objekter ved hjælp af hele deres krop.
Manipulation af genstande ved hjælp af flere kontaktpunkter på tværs af forskellige kropsdele er en enorm udfordring for robotter. Mennesker udmærker sig ved at manipulere hele kroppen, bære store kasser eller holde uregelmæssige genstande uden problemer.
Men robotter er langt mindre kompetente til komplekse manipulationsopgaver på grund af de mange kontaktpunkter mellem objekterne og forskellige dele af deres krop.
"I stedet for at tænke på dette som et 'black-box'-system, hvis vi kan udnytte strukturen i den slags robotsystemer ved hjælp af modeller, er der mulighed for at fremskynde hele proceduren med at forsøge at træffe disse beslutninger og komme med kontaktrige planer", siger H.J. Terry Suh, som er kandidatstuderende i elektroteknik og datalogi (EECS) og medforfatter til forskningsartiklen.
Kernen i MIT-forskernes arbejde er den beregningsmæssige intensitet og kompleksitet i robotmanipulationsopgaver, især dem, der involverer kontaktrige scenarier. Robotter er nødt til at overveje utallige muligheder for at komme i kontakt med et objekt, når de planlægger en manipulationsopgave, hvilket fører til et uoverskueligt antal beregninger.
Traditionelt er metoder til forstærkningslæring (RL) blevet brugt til at løse dette problem, men de kræver omfattende beregningsressourcer og tid.
Den undersøgelse introducerede "udjævning" for at løse dette problem. Udjævningsprocessen strømliner beregningsbyrden ved at reducere antallet af kontakthændelser, som robotten skal overveje. Den kondenserer de utallige potentielle kontaktpunkter til et håndterbart sæt af nøglebeslutninger.
I bund og grund er mange ubetydelige handlinger og kontakter, som robotten kunne foretage, udeladt, så det kun er de vigtige interaktionspunkter, der skal beregnes.
For at implementere 'udjævning' designede teamet en fysikbaseret model. Denne model replikerer effektivt den form for "udjævning" af ikke-kritiske interaktioner, der forekommer implicit i forstærkningsindlæringsmetoder.
Teamet testede deres tilgang både i simuleringer og robot-hardware i den virkelige verden og viste sammenlignelige resultater med forstærkningslæring, men til en brøkdel af beregningsomkostningerne.
Praktiske anvendelser
Konsekvenserne af denne forskning er potentielt vidtrækkende. På den industrielle front kan teknikken gøre det muligt at bruge mindre, mere mobile robotter, der kan udføre komplicerede opgaver med større fleksibilitet.
Det kan resultere i både reduceret energiforbrug og lavere driftsomkostninger. Ud over fabrikker kan teknologien være en game-changer for udforskningsmissioner i rummet, så robotter hurtigt kan tilpasse sig uforudsigelige terræner eller opgaver med minimale beregningsressourcer.
Derudover kan disse beregningsmetoder hjælpe forskere med at konstruere kompetente, livagtige hænder.
"De samme ideer, som muliggør manipulation af hele kroppen, fungerer også til planlægning med behændige, menneskelignende hænder", siger Russ Tedrake, seniorforfatter og Toyota-professor i EECS ved MIT.
Mens kunstig intelligens skaber forandringer inden for robotteknologi og udstyrer robotter med stadig bedre færdigheder og forståelse, har vi endnu ikke konstrueret noget med biologisk fingerfærdighed.
Efterhånden som AI-hardware krymper til mindre, energieffektive chips og forskere finder måder at løse beregningsproblemer på, er behændige, livslignende robotter sandsynligvis ikke langt væk.
