Onderzoekers van het Massachusetts Institute of Technology (MIT) hebben een AI-techniek ontwikkeld waarmee robots objecten kunnen manipuleren met hun hele lichaam.
Het manipuleren van objecten met meerdere contactpunten op verschillende lichaamsdelen vormt een enorme uitdaging voor robots. Mensen blinken uit in het manipuleren van het hele lichaam, het naadloos dragen van grote dozen of het vasthouden van onregelmatige voorwerpen.
Robots zijn echter veel minder bekwaam in complexe manipulatietaken vanwege de vele contactpunten tussen de objecten en verschillende delen van hun lichaam.
"In plaats van dit te zien als een 'black-box' systeem, kunnen we, als we de structuur van dit soort robotsystemen kunnen gebruiken met behulp van modellen, de hele procedure van het nemen van deze beslissingen en het bedenken van contactrijke plannen versnellen," zei H.J. Terry Suh, een student elektrotechniek en computerwetenschappen (EECS) en co-lead auteur van het onderzoeksartikel.
De kern van het werk van de MIT-onderzoekers is gericht op de rekenintensiteit en complexiteit van manipulatietaken voor robots, met name als het gaat om contactrijke scenario's. Bij het plannen van een manipulatietaak moeten robots rekening houden met talloze mogelijkheden om contact te maken met een object. Robots moeten bij het plannen van een manipulatietaak talloze mogelijkheden overwegen om contact te maken met een object, wat leidt tot een onuitvoerbaar aantal berekeningen.
Traditioneel worden methoden voor reinforcement learning (RL) gebruikt om dit probleem op te lossen, maar deze vereisen veel rekenkracht en tijd.
De onderzoek introduceerde 'smoothing' om dit probleem aan te pakken. Het 'smoothing' proces stroomlijnt de rekenlast door het aantal contactmomenten dat de robot moet overwegen te verminderen. Het comprimeert de ontelbare potentiële contactmomenten tot een hanteerbare set belangrijke beslissingen.
In wezen worden veel onbelangrijke acties en contacten die de robot zou kunnen maken uitgemiddeld, zodat alleen de essentiële interactiepunten overblijven die moeten worden berekend.
Om het 'afvlakken' te implementeren ontwierp het team een op fysica gebaseerd model. Dit model bootst op efficiënte wijze het soort 'uitmiddelen' van niet-kritieke interacties na dat impliciet optreedt in versterkingsleermethoden.
Het team testte hun aanpak zowel in simulaties als in echte robothardware en toonde vergelijkbare prestaties als bij reinforcement learning, maar tegen een fractie van de rekenkosten.
Praktische toepassingen
De implicaties van dit onderzoek zijn mogelijk verstrekkend. Op industrieel gebied zou de techniek het gebruik van kleinere, mobielere robots mogelijk kunnen maken die ingewikkelde taken met een grotere flexibiliteit kunnen uitvoeren.
Dit zou kunnen leiden tot zowel minder energieverbruik als lagere operationele kosten. Buiten fabrieken zou de technologie een game-changer kunnen zijn voor ruimteverkenningsmissies, waarbij robots zich snel kunnen aanpassen aan onvoorspelbaar terrein of taken met minimale rekenkracht.
Bovendien kunnen deze computermethoden onderzoekers helpen om competente, levensechte handen te maken.
"Dezelfde ideeën die manipulatie van het hele lichaam mogelijk maken, werken ook voor het plannen met behendige, mensachtige handen", zegt Russ Tedrake, senior auteur en Toyota professor in EECS aan MIT.
Terwijl AI de transformatie op het gebied van robotica voedt en robots uitrust met steeds betere vaardigheden en inzichten, moeten we nog iets bouwen met biologische beweeglijkheid.
AI-hardware wordt steeds kleiner, energiezuinige chips en onderzoekers manieren vinden om rekenproblemen op te lossen, zijn beweeglijke, levensechte robots waarschijnlijk niet ver weg.
