Imagine que você está fazendo um piquenique à beira de um rio em um dia de vento. (Por que você escolheu fazer isso em um dia ventoso foi sua própria má decisão).
Uma rajada de vento atinge acidentalmente seu guardanapo de papel e cai na superfície da água, afastando-se rapidamente de você. Você pega um graveto próximo e cuidadosamente agita a água para recuperá-lo, criando uma série de pequenas ondas.
Essas ondas eventualmente empurram o guardanapo de volta para a costa, então você o agarra. Nesse cenário, a água atua como meio de transmissão de forças, permitindo manipular a posição do guardanapo sem contato direto.
Os seres humanos se envolvem regularmente com vários tipos de fluidos em suas vidas diárias – um objetivo formidável e indescritível (por razões óbvias) para os sistemas robóticos atuais. Passa-me o meu café com leite? Claro. Faça? Isso vai exigir um pouco mais de nuances.
O FluidLab, uma nova ferramenta de simulação do MIT CSAIL, aprimora o aprendizado de robôs para tarefas complexas de manipulação de fluidos, como fazer latte art, sorvete e até mesmo manipular o ar.
O ambiente virtual oferece uma coleção versátil de complexos desafios de manuseio de fluidos, envolvendo sólidos e líquidos e vários fluidos simultaneamente. O FluidLab oferece suporte à modelagem de sólidos, líquidos e gases, incluindo elásticos, plásticos, objetos rígidos, líquidos newtonianos e não newtonianos, fumaça e ar.
No coração do FluidLab está o FluidEngine, um simulador de física fácil de usar, capaz de calcular e simular perfeitamente vários materiais e suas interações, ao mesmo tempo em que aproveita o poder das unidades de processamento gráfico (GPUs) para um processamento mais rápido.
O mecanismo é “diferencial”, o que significa que o simulador pode incorporar conhecimento de física para um modelo de mundo físico mais realista, levando a um aprendizado e planejamento mais eficientes para tarefas robóticas.
Em contraste, a maioria dos métodos de aprendizado por reforço existentes carece desse modelo de mundo que depende apenas de tentativa e erro. Essa capacidade aprimorada, dizem os pesquisadores, permite que os usuários experimentem algoritmos de aprendizado de robôs e brinquem com os limites das habilidades atuais de manipulação robótica.
Para preparar o cenário, os pesquisadores testaram os referidos algoritmos de aprendizado de robôs usando o FluidLab, descobrindo e superando desafios únicos em sistemas de fluidos. Ao desenvolver métodos de otimização inteligentes, eles conseguiram transferir esses aprendizados de simulações para cenários do mundo real de maneira eficaz.
O pesquisador visitante do MIT CSAIL e cientista pesquisador do MIT-IBM Lab Chuang Gan, autor sênior de um novo artigo sobre a pesquisa, diz: “Imagine um futuro em que um robô doméstico o ajude sem esforço nas tarefas diárias, como fazer café, preparar o café da manhã , ou cozinhar o jantar.
“Essas tarefas envolvem inúmeros desafios de manipulação de fluidos. Nosso benchmark é um primeiro passo para permitir que os robôs dominem essas habilidades, beneficiando famílias e locais de trabalho.
“Por exemplo, esses robôs podem reduzir o tempo de espera e melhorar a experiência do cliente em cafeterias movimentadas. O FluidEngine é, até onde sabemos, o primeiro mecanismo de física desse tipo que oferece suporte a uma ampla variedade de materiais e acoplamentos, sendo totalmente diferenciável.
“Com nossas tarefas padronizadas de manipulação de fluidos, os pesquisadores podem avaliar os algoritmos de aprendizado de robôs e ultrapassar os limites das capacidades atuais de manipulação robótica.”
fantasia fluida
Nas últimas décadas, os cientistas no domínio da manipulação robótica se concentraram principalmente na manipulação de objetos rígidos ou em tarefas muito simplistas de manipulação de fluidos, como derramar água. Estudar essas tarefas de manipulação envolvendo fluidos no mundo real também pode ser um empreendimento inseguro e caro.
Com a manipulação de fluidos, nem sempre se trata apenas de fluidos. Em muitas tarefas, como criar o redemoinho de sorvete perfeito, misturar sólidos em líquidos ou remar na água para mover objetos, é uma dança de interações entre fluidos e vários outros materiais.
Os ambientes de simulação devem suportar “acoplamento” ou como duas propriedades de materiais diferentes interagem. Tarefas de manipulação de fluidos geralmente requerem precisão bastante refinada, com interações delicadas e manuseio de materiais, diferenciando-as de tarefas simples como empurrar um bloco ou abrir uma garrafa.
O simulador do FluidLab pode calcular rapidamente como diferentes materiais interagem entre si.
Ajudando as GPUs está o “Taichi”, uma linguagem específica de domínio incorporada ao Python. O sistema pode calcular gradientes (taxas de mudança nas configurações do ambiente em relação às ações do robô) para diferentes tipos de materiais e suas interações (acoplamentos) uns com os outros.
Esta informação precisa pode ser usada para ajustar os movimentos do robô para um melhor desempenho. Como resultado, o simulador permite soluções mais rápidas e eficientes, diferenciando-o de seus concorrentes.
As dez tarefas que a equipe apresentou caíram em duas categorias: usar fluidos para manipular objetos difíceis de alcançar e manipular fluidos diretamente para objetivos específicos.
Exemplos incluem separar líquidos, guiar objetos flutuantes, transportar itens com jatos de água, misturar líquidos, criar latte art, moldar sorvete e controlar a circulação de ar.
O aluno de doutorado da Carnegie Mellon University (CMU), Zhou Xian, outro autor do artigo, diz: “O simulador funciona de maneira semelhante à forma como os humanos usam seus modelos mentais para prever as consequências de suas ações e tomar decisões informadas ao manipular fluidos. Esta é uma vantagem significativa do nosso simulador em comparação com outros.
“Enquanto outros simuladores suportam principalmente o aprendizado por reforço, o nosso oferece suporte ao aprendizado por reforço e permite técnicas de otimização mais eficientes. A utilização dos gradientes fornecidos pelo simulador oferece suporte à pesquisa de políticas altamente eficiente, tornando-o uma ferramenta mais versátil e eficaz.”
O futuro do FluidLab parece brilhante. O trabalho atual tentou transferir trajetórias otimizadas em simulação para tarefas do mundo real diretamente de maneira em malha aberta.
Para os próximos passos, a equipe está trabalhando para desenvolver uma política de malha fechada em simulação que toma como entrada o estado ou as observações visuais dos ambientes e executa tarefas de manipulação de fluidos em tempo real, e então transfere as políticas aprendidas no mundo real cenas.
A plataforma está disponível publicamente e os pesquisadores esperam que ela beneficie estudos futuros no desenvolvimento de melhores métodos para resolver tarefas complexas de manipulação de fluidos.
Ming Lin, professor de ciência da computação da Universidade de Maryland, diz: “Os humanos interagem com fluidos em tarefas diárias, incluindo derramar e misturar líquidos (café, iogurtes, sopas, massa), lavar e limpar com água e muito mais.
“Para que os robôs ajudem os humanos e sirvam em capacidades semelhantes para tarefas do dia-a-dia, seriam necessárias novas técnicas para interagir e manipular vários líquidos de diferentes propriedades (por exemplo, viscosidade e densidade de materiais) e continua sendo um grande desafio computacional para sistemas autônomos em tempo real.
“Este trabalho apresenta o primeiro mecanismo de física abrangente, o FluidLab, para permitir a modelagem de diversos fluidos complexos e seu acoplamento com outros objetos e sistemas dinâmicos no ambiente.
“A formulação matemática de ‘fluidos diferenciáveis’, conforme apresentado no artigo, possibilita a integração da simulação versátil de fluidos como uma camada de rede em algoritmos baseados em aprendizado e arquiteturas de redes neurais para sistemas inteligentes operarem em aplicações do mundo real.”
Gan e Xian escreveram o artigo ao lado do professor assistente do Dartmouth College, Bo Zhu, da estudante de doutorado da Universidade de Columbia, Zhenjia Xu, do pós-doutorado do MIT Brain and Cognitive Sciences Hsiao-Yu Tung, do pesquisador principal do MIT EECS e CSAIL, Antonio Torralba, e da professora assistente da CMU, Katerina Fragkiadaki.
A pesquisa da equipe é apoiada pelo MIT-IBM Watson AI Lab, Sony AI, um prêmio DARPA Young Investigator, um prêmio NSF CAREER, um prêmio AFOSR Young Investigator, DARPA Machine Common Sense e NSF. A pesquisa foi apresentada na Conferência Internacional sobre Representações de Aprendizagem em maio.
Você pode gostar também…
[ad_2]
