ИИ помогает роботам манипулировать объектами всем телом

Изображения для загрузки на веб-сайте офиса новостей MIT предоставляются некоммерческим организациям, прессе и широкой публике по лицензии Creative Commons Attribution Non-Commercial No Derivatives. Вы не можете изменять предоставленные изображения, кроме как обрезать их до нужного размера. При воспроизведении изображений необходимо использовать кредитную линию; если оно не указано ниже, укажите авторство изображений в «MIT».

Предыдущее изображение Следующее изображение

Представьте, что вы хотите нести большую и тяжелую коробку вверх по лестнице. Вы можете растопырить пальцы и поднять коробку обеими руками, затем держать ее на предплечьях и сбалансировать на груди, используя все тело, чтобы манипулировать коробкой.

Люди, как правило, хорошо умеют манипулировать всем телом, но роботы с такими задачами справляются с трудом. Для робота каждое место, где коробка может коснуться любой точки на пальцах, руках и туловище носителя, представляет собой событие контакта, о котором он должен подумать. Учитывая миллиарды потенциальных контактов, планирование этой задачи быстро становится невыполнимым.

Теперь исследователи Массачусетского технологического института нашли способ упростить этот процесс, известный как планирование манипуляций с большим количеством контактов. Они используют метод искусственного интеллекта, называемый сглаживанием, который суммирует множество событий контакта в меньшее количество решений, чтобы даже простой алгоритм мог быстро определить эффективный план манипуляции для робота.

Хотя этот метод еще находится на заре своего развития, он потенциально может позволить фабрикам использовать меньших мобильных роботов, которые могут манипулировать объектами всей рукой или телом, а не большими роботизированными руками, которые могут захватывать только кончиками пальцев. Это может помочь снизить потребление энергии и снизить затраты. Кроме того, эта технология может быть полезна в роботах, отправляемых в исследовательские миссии на Марс или другие тела Солнечной системы, поскольку они смогут быстро адаптироваться к окружающей среде, используя только бортовой компьютер.

«Вместо того, чтобы думать об этом как о системе «черного ящика», если мы сможем использовать структуру такого рода роботизированных систем с помощью моделей, есть возможность ускорить всю процедуру принятия этих решений и придумать богатые контактами решения. планы», — говорит Х. Дж. Терри Су, аспирант электротехники и информатики (EECS) и соавтор статьи по этой методике.

В работе над статьей к Суху присоединяются соавтор Тао Панг, доктор философии '23, робототехник из Бостонского института динамического искусственного интеллекта; Луцзе Ян, аспирант EECS; и старший автор Расс Тедрейк, профессор Toyota в области EECS, аэронавтики и космонавтики и машиностроения, а также член Лаборатории компьютерных наук и искусственного интеллекта (CSAIL). Исследование появится на этой неделе в журнале IEEE Transactions on Robotics.

Обучение об обучении

Обучение с подкреплением — это метод машинного обучения, при котором агент, подобно роботу, учится выполнять задачу методом проб и ошибок с вознаграждением за приближение к цели. Исследователи говорят, что этот тип обучения использует подход «черного ящика», поскольку система должна изучать все о мире методом проб и ошибок.

Он эффективно использовался для планирования манипуляций с большим количеством контактов, когда робот пытается научиться лучше всего перемещать объект определенным образом.

Но поскольку могут существовать миллиарды потенциальных точек контакта, о которых робот должен учитывать, определяя, как использовать свои пальцы, руки, руки и тело для взаимодействия с объектом, этот подход методом проб и ошибок требует большого количества вычислений.

«Обучению с подкреплением, возможно, потребуются миллионы лет моделирования, чтобы действительно можно было изучить политику», — добавляет Су.

С другой стороны, если исследователи специально разрабатывают модель, основанную на физике, используя свои знания о системе и задаче, которую они хотят выполнить от робота, эта модель включает в себя структуру этого мира, которая делает его более эффективным.