Forskare vid Massachusetts Institute of Technology (MIT) har utvecklat en AI-teknik som är utformad för att ge robotar möjlighet att manipulera föremål med hela kroppen.
Att manipulera föremål med hjälp av flera kontaktpunkter över olika kroppsdelar är en enorm utmaning för robotar. Människor är utmärkta på att manipulera hela kroppen, bära stora lådor eller hålla oregelbundna föremål.
Robotar är dock mycket mindre kompetenta i komplexa manipulationsuppgifter på grund av de många kontaktpunkterna mellan föremålen och olika delar av deras kropp.
"I stället för att tänka på det här som ett system med en "svart låda" kan vi, om vi kan utnyttja strukturen i den här typen av robotsystem med hjälp av modeller, påskynda hela proceduren med att försöka fatta dessa beslut och komma fram till kontaktrika planer", säger H.J. Terry Suh, doktorand i elektroteknik och datavetenskap (EECS) och medförfattare till forskningsrapporten.
I grunden handlar MIT-forskarnas arbete om beräkningsintensiteten och komplexiteten i robotmanipuleringsuppgifter, särskilt de som involverar kontaktrika scenarier. Robotar måste ta hänsyn till otaliga möjligheter att komma i kontakt med ett objekt när de planerar en manipuleringsuppgift, vilket leder till ett oöverskådligt antal beräkningar.
Traditionellt har metoder för förstärkningsinlärning (RL) använts för att lösa detta problem, men de kräver omfattande beräkningsresurser och tid.
Den studie introducerade "utjämning" för att hantera detta problem. Processen "smoothing" effektiviserar beräkningsbördan genom att minska antalet kontakthändelser som roboten behöver ta hänsyn till. Den kondenserar de otaliga potentiella kontaktpunkterna till en hanterbar uppsättning viktiga beslut.
I grund och botten räknas många ovidkommande åtgärder och kontakter som roboten kan göra bort, vilket innebär att endast de viktiga interaktionspunkterna behöver beräknas.
För att implementera "utjämningen" utformade teamet en fysikbaserad modell. Denna modell replikerar effektivt den typ av "utjämning" av icke-kritiska interaktioner som förekommer implicit i metoder för inlärning genom förstärkning.
Teamet testade sin metod både i simuleringar och i verklig robothårdvara och visade jämförbar prestanda med förstärkningsinlärning men till en bråkdel av beräkningskostnaden.
Praktiska tillämpningar
Konsekvenserna av denna forskning är potentiellt långtgående. På det industriella planet kan tekniken göra det möjligt att använda mindre, mer mobila robotar som kan utföra komplicerade uppgifter med större flexibilitet.
Detta skulle kunna leda till både minskad energiförbrukning och minskade driftskostnader. Utöver fabriker skulle tekniken kunna förändra förutsättningarna för rymdfärder genom att göra det möjligt för robotar att snabbt anpassa sig till oförutsägbara terrängförhållanden eller uppgifter med minimala beräkningsresurser.
Dessutom kan dessa beräkningsmetoder hjälpa forskare att konstruera kompetenta, verklighetstrogna händer.
"Samma idéer som möjliggör manipulation av hela kroppen fungerar också för planering med skickliga, människoliknande händer", säger Russ Tedrake, huvudförfattare och Toyota Professor of EECS vid MIT.
AI driver på utvecklingen inom robottekniken och ger robotarna allt bättre färdigheter och förståelse, men vi har ännu inte konstruerat något med biologisk fingerfärdighet.
AI-hårdvara krymper till mindre enheter, energieffektiva chips och forskare hittar sätt att lösa beräkningsproblem är fingerfärdiga, livsliknande robotar förmodligen inte långt borta.
