Forskere ved Massachusetts Institute of Technology (MIT) har utviklet en AI-teknikk som skal gjøre det mulig for roboter å manipulere gjenstander ved hjelp av hele kroppen.
Manipulering av gjenstander ved hjelp av flere kontaktpunkter på tvers av ulike kroppsdeler er en enorm utfordring for roboter. Mennesker er gode på helkroppsmanipulasjon, og kan sømløst bære store esker eller holde uregelmessige gjenstander.
Robotene er imidlertid langt mindre kompetente i komplekse manipulasjonsoppgaver på grunn av de mange kontaktpunktene mellom objektene og ulike deler av kroppen.
"I stedet for å tenke på dette som et "black-box"-system, kan vi utnytte strukturen i denne typen robotsystemer ved hjelp av modeller, og på den måten akselerere hele prosessen med å ta disse beslutningene og komme opp med kontaktrike planer", sier H.J. Terry Suh, som er doktorgradsstudent i elektroteknikk og informatikk (EECS) og medforfatter av forskningsartikkelen.
MIT-forskernes arbeid tar for seg beregningsintensiteten og kompleksiteten ved robotmanipulasjonsoppgaver, spesielt de som involverer kontaktrike scenarier. Roboter må vurdere utallige muligheter for å komme i kontakt med et objekt når de planlegger en manipuleringsoppgave, noe som fører til et uhåndterlig antall beregninger.
Tradisjonelt har man brukt metoder for forsterkningslæring (RL) for å løse dette problemet, men de krever omfattende databehandlingsressurser og tid.
Den studie introduserte "utjevning" for å løse dette problemet. Utjevningsprosessen effektiviserer beregningsbyrden ved å redusere antallet kontakthendelser roboten må ta hensyn til. Den kondenserer de utallige potensielle kontaktpunktene til et håndterbart sett med viktige beslutninger.
I bunn og grunn blir mange ubetydelige handlinger og kontakter som roboten kan utføre, utelatt, slik at det bare er de viktige interaksjonspunktene som må beregnes.
For å implementere "utjevning" utviklet teamet en fysikkbasert modell. Denne modellen replikerer effektivt den typen "utjevning" av ikke-kritiske interaksjoner som forekommer implisitt i metoder for forsterkningslæring.
Teamet testet tilnærmingen sin både i simuleringer og i robotmaskinvare i den virkelige verden, og viste sammenlignbar ytelse med forsterkningslæring, men til en brøkdel av beregningskostnadene.
Praktiske anvendelser
Konsekvensene av denne forskningen kan potensielt få vidtrekkende konsekvenser. På den industrielle fronten kan teknikken gjøre det mulig å ta i bruk mindre, mer mobile roboter som kan utføre kompliserte oppgaver med større fleksibilitet.
Dette kan resultere i både redusert energiforbruk og reduserte driftskostnader. Utover fabrikker kan teknologien også være en game-changer for romutforskningsoppdrag, slik at roboter raskt kan tilpasse seg uforutsigbart terreng eller oppgaver med minimale beregningsressurser.
I tillegg kan disse beregningsmetodene hjelpe forskere med å konstruere kompetente, naturtro hender.
"De samme ideene som muliggjør helkroppsmanipulering, fungerer også for planlegging med fingerferdige, menneskelignende hender", sier Russ Tedrake, seniorforfatter og Toyota-professor i EECS ved MIT.
Selv om kunstig intelligens driver frem endringer innen robotteknologi og gir roboter stadig bedre ferdigheter og forståelse, har vi ennå ikke konstruert noe med biologisk fingerferdighet.
Etter hvert som AI-maskinvaren krympes til mindre, energieffektive brikker og forskere finner måter å løse databehandlingsproblemer på, er fingerferdige, livaktige roboter sannsynligvis ikke langt unna.
