Pull to refresh

Роботы арендуют квартиры через Airbnb, чтобы научиться лучше хватать предметы

Reading time 4 min
Views 1.9K
Original author: Matt Simon


Возможно, вы любите искать на Airbnb жилища с большими комнатами, или очень светлые квартиры, или ванные комнаты, где есть парные раковины. Но если вы робот, вам всего-то и надо, что небольшое разнообразие. Коврик тут, паркет там. Поскольку вы – пионер, а не просто турист.

По крайней мере, это так для особенных роботов, разрабатываемых командой из Университета Карнеги-Меллон. Для тренировки машин манипуляции объектами в реальном мире, им нужен был доступ ко множеству различных домов – сначала это были их собственные дома, потом дома друзей, а потом доступные дома закончились. Поэтому, натренировав своих роботов до определённого предела, они отправились с ними на испытания по неизведанным местам Airbnb.



И, да, пока вы не спросили – владельцы домов знали, для чего сдают помещения. И, да, роботы – в основном выглядящие как роботы-пылесосы с рукой – показали себя прекрасными гостями. (Они оставались примерно на полтора дня, а вместе с ними – несколько учёных, проводивших испытания). «Я помню, как владельцы очень заинтересовались этой работой, и им было интересно посмотреть, как поведут себя роботы в различных местах домов», — говорит робототехник Леррел Пинто. «Они сказали, что мы спокойно можем использовать роботов и в других частях дома». И исследователи так и поступили. «Некоторым из них было очень любопытно, они следили за тем, как устроен робот, как он двигается, спрашивали, не умеет ли он подбирать с пола мусор».

Они не умели. Что они умели, так это демонстрировать приобретённое умение обращения с новыми объектами, которые принесли с собой исследователи, от степлеров до мягких игрушек и бутылочек спрея. Исследователи размещали их на разных поверхностях, коврах и паркетах, что давало роботу возможность попрактиковаться в работе с различным фоном.

По сути, машины можно научить хватать предметы двумя способами: в симуляции, или в реальном мире. Симуляции хороши своей скоростью; можно заставить цифровую модель робота прогнать сотни столкновений за то время, за которое реальная машина сможет немного передвинуть локоть и запястье. К несчастью, в цифровом мире нельзя досконально смоделировать реальный: физические опыты остаются единственным способом проверить, что тренировки реально способны справляться с настоящей физикой. Также можно использовать имитационное обучение – когда человек управляет роботом, а робот тем временем учится это делать, но на это уходит очень много усилий.

Окончательная физическая проверка состоит в выводе робота за пределы стерильного окружения, специально подготовленного для лабораторных тестов, в беспорядочный и хаотический мир людей. «Нам надо взять наших роботов домой», — говорит Абхинав Гупта, робототехник, помогавший в разработке новой системы. «Нам нужно собирать множество данных о манипуляциях в реальной обстановке, в которой полы могут отличаться – это может быть ковёр, плитка или доска».

Когда исследователи тренировали роботов у себя дома, у тех уже были некоторые предварительные знания. К примеру, что для захвата надо увидеть объект при помощи машинного зрения, достать до него и взять. Вопрос состоит в том, за какое место. «Робот выбирал случайное место и пытался сжать пальцы, проверяя, удался ли захват, — говорит Гупта. – По сути, удалось ли поднять объект с пола, или нет». Робот может определить успешность захвата благодаря встроенным силовым датчикам, а также, разглядев объект в руке.

«Поначалу всё происходит случайно, но после нескольких тысяч повторений он начинает учиться тому, где у него получилось это сделать, а где нет», — добавляет Гупта. Таким образом робот может научиться работать с реальными объектами, а потом использовать эти данные, пытаясь захватывать всё, что попадается ему в доме. В отличие от лаборатории, всё происходит при разных условиях освещения и на разных полах, поэтому роботы собирают более богатый набор данных, более точно представляющий реальные места работы роботов в будущем – к примеру, если они будут убирать квартиры пожилых людей. Поэтому, попав на съёмную квартиру – в незнакомое окружение – он может адаптироваться, а не паниковать. В результате робот смог ухватить неизвестные ему объекты в 62% случаев, когда модель, натренированная в лаборатории, справилась только в 18,5% случаев.

Это не значит, что лабораторные тренировки устарели; сложные роботы, способные выполнять задачу с допуском в несколько миллиметров, критически важны для исследований роботизированных захватов – а эта область остаётся для роботов проблемной. Но такие роботы слишком большие и дорогие – вплоть до десятков тысяч долларов – чтобы с ними можно было экспериментировать дома. Исследователи собрали более мобильного домашнего робота всего за $3000.

Не обошлось без компромиссов, например, использования моторов с допуском в сантиметры, а не в миллиметры. Это не очень хорошо – представьте, что вы ошибаетесь на сантиметр, пытаясь ухватить банку газировки. «Но мы попытались моделировать случайность, — говорит Гупта. – Мы не только пытаемся научиться хватать, но и научиться тому, какие ошибки могут быть у контроллеров». Когда у них получилось смоделировать это, они смогли корректировать немного капризные движения робота.

«Работа показывает, как можно учитывать случайности в таком неконтролируемом окружении и работать с недорогим оборудованием, и при этом выводить процесс сбора данных за пределы лаборатории. Это может помочь получить обширный набор высоко масштабируемых, разнообразных и обобщаемых данных», — говорит Ксавьер Пьюи, работающий в области обучения роботов в симуляциях в MIT.

Это прекрасно для роботов и для владельцев съёмных квартир. Роботы ведь никогда не посмеют оставить в квартире беспорядок.
Tags:
Hubs:
If this publication inspired you and you want to support the author, do not hesitate to click on the button
+4
Comments 3
Comments Comments 3

Articles