Pull to refresh

Dex-Net 4.0 позволяет роботам-амбидекстрам выбирать наилучший из захватов

Reading time 3 min
Views 2K
Original author: Evan Ackerman

Возможность выбрать захват помогает двуруким роботам поднимать объекты быстрее, чем когда бы то ни было




Мы несколько лет следим за прогрессом проекта Dex-Net, пытающегося разработать универсальный захват для роботов, и в середине января вышла новая работа в журнале Science Robotics, в которой учёные из Калифорнийского университета в Беркли представляют Dex-Net 4.0. Самая главная и интересная новость, связанная с этой работой, состоит в том, что последняя версия Dex-Net успешно справилась с захватом 95% неизвестных ранее объектов со скоростью 300 штук в час, благодаря добавленной роботу амбидекстрии, которая позволяет ему на лету выбирать один из двух видов захватов.


Чтобы можно было сравнить, сообщим, что человек способен поднимать подобные объекты в два раза быстрее, от 400 до 600 штук в час. И я бы сказал, что в случае с человеком можно ожидать 100% успешности захвата – или, по крайней мере, хорошего приближения к этой цифре, если позволить испытуемому несколько попыток с каждым из объектов. Так что мы установили очень высокую планку для машин. Часть нашего успеха в захвате предметов (и в способности схватывать в целом) состоит в большом жизненном опыте работы с предметами множества форм, размеров, веса, с трением различных материалов и с возможной деформацией предметов при захвате. Даже не осознавая этого, мы способны строить подробные модели объектов в голове, и они помогают нам с лёгкостью захватывать и поднимать ранее невиданные предметы.



Но у роботов нет доступа к этой экспериментальной модели мира. Они полагаются на обучении, основывающемся на конкретной задаче – и здесь вступает в игру Dex-Net. Она обучается захвату вещей, тренируясь в симуляциях, используя миллионы моделей трёхмерных объектов и немного случайной физикой, чтобы лучше переносить успехи в симуляции в реальный мир. Искусственная неопределённость позволяет системы работать с такими вещами, как шум датчиков и небольшие постепенные сдвиги калибровки – конечно, более реалистичные результаты можно было бы получить, тренируя реальных роботов, но тогда вступили бы в силу такие ограничения, как необходимость иметь много реальных роботов и дать им время на работу – и кто захочет их ждать?

Уникальность Dex-Net 4.0 состоит в том, что вырабатываемые ею правила захвата объектов «амбидекстровые», то есть, робот имеет два захвата, и решает какой из них в данный момент надо использовать. Однако в отличие от людей-амбидекстров, у этого робота на руках закреплены разные захваты: двухпальцевый зажим и вакуумная присоска. На основе предварительной оценки качества захвата Dex-Net выбирает, какой из захватов более надёжно сможет ухватить объект. Эта технология даёт возможность хватать объекты быстро и надёжно: ABB YuMi на приведённом выше видео может захватывать порядка 300 ранее невиданных им объектов в час, с эффективностью в 95%. И Dex-Net позволяет подключать и другие типы захватов. Проведя дополнительные тренировки (и добавив захватов роботу, можно научить его работать с электростатическими захватами, пятипальцевыми руками, захватами типа «лапы геккона» или чем угодно ещё.

Конечно, всегда интересно изучить те 5% случаев, когда роботу не удалось взять предмет, и вот некоторые примеры:



На первом фото видно «проблемные» объекты, которые особенно трудно поднимать из-за «проблемной геометрии, прозрачности, зеркальной поверхности и деформируемости». Dex-Net справляется с такими объектами только в 63% случаев, хотя если позволить системе запоминать предыдущие неудачи и немного передвинуть предмет, если непонятно, как его схватить, то надёжность возрастает до 80%.



На втором фото показаны объекты, с которыми Dex-Net 4.0 не справляется совсем, «из-за отражающих свойств, например, прозрачности, что влияет на восприятие глубины, и свойств материалов, например, пористости и податливости (к примеру, свободной упаковки), что влияет на способность присасываться к поверхности при помощи вакуумной присоски». Стоит отметить, что у двухпальцевого захвата нет никаких датчиков усилий и тактильных датчиков, поэтому в системе есть ещё что улучшить.

Также можно рассмотреть случаи, в которых эффективность, не дотягивающая до 100%, будет приемлемой. Существует много реалистичных способов обработки неудач с захватами: можно поручить роботу собрать все вещи из корзины, а остаток отправить человеку, который будет справляться со сложными предметами. Или, возможно, в какой-то момент будет иметь смысл так изменить упаковку предметов, чтобы особенно трудные для роботизированного захвата предмета стало проще брать. В любом случае, это уже больше вопрос «когда», а не «если», и в связи с тем, насколько привлекательно увеличивать автоматизацию цепочки поставок, это самое «когда», вероятно, наступит очень, очень скоро.
Tags:
Hubs:
If this publication inspired you and you want to support the author, do not hesitate to click on the button
+9
Comments 5
Comments Comments 5

Articles