O sistema permite que os robôs identifiquem as propriedades de um objeto através do manuseio

Um lixo de limpeza humana de um sótão pode adivinhar o conteúdo de uma caixa simplesmente pegando -o e despertando, sem a necessidade de ver o que está dentro. Pesquisadores do MIT, Amazon Robotics e da Universidade da Colúmbia Britânica ensinaram robôs a fazer algo semelhante.

Eles desenvolveram uma técnica que permite que os robôs usem apenas sensores internos para aprender sobre o peso, a suavidade ou o conteúdo de um objeto, pegando -o e sacudindo suavemente. Com seu método, que não requer ferramentas de medição externas ou câmeras, o robô pode adivinhar com precisão parâmetros como a massa de um objeto em questão de segundos.

Essa técnica de baixo custo pode ser especialmente útil em aplicações em que as câmeras podem ser menos eficazes, como classificar objetos em um porão escuro ou escombros de limpeza dentro de um edifício que desabou parcialmente após um terremoto.

A chave para sua abordagem é um processo de simulação que incorpora modelos do robô e o objeto para identificar rapidamente as características desse objeto à medida que o robô interage com ele.

A técnica dos pesquisadores é tão boa em adivinhar a massa de um objeto quanto alguns métodos mais complexos e caros que incorporam a visão computacional. Além disso, sua abordagem eficiente em termos de dados é robusta o suficiente para lidar com muitos tipos de cenários invisíveis.

“Essa idéia é geral, e acredito que estamos apenas arranhando a superfície do que um robô pode aprender dessa maneira. Meu sonho seria fazer com que os robôs saíssem para o mundo, tocem as coisas e mova as coisas em seus ambientes e descobrem as propriedades de tudo o que interagem por conta própria”, diz Peter Yichen Chen, um mit pós -doc e principal autor do artigo sobre a técnica de papel.

Seus co-autores incluem o colega do MIT PostDoc Chao Liu; Pingchuan MA, Ph.D.; Jack Eastman, Meng; Dylan Randle e Yuri Ivanov, da Amazon Robotics; Professores do MIT de engenharia elétrica e ciência da computação Daniela Rus, que lidera o Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL); e Wojciech Matusik, que lidera o grupo de design e fabricação computacional na CSAIL.

A pesquisa será apresentada na Conferência Internacional sobre Robótica e Automação, e o artigo está disponível no arxiv servidor pré -impressão.

Sinais de detecção

O método dos pesquisadores aproveita a propriedade de propriedade, que é a capacidade de um humano ou robô de sentir seu movimento ou posição no espaço.

Por exemplo, um humano que levanta um haltere na academia pode sentir o peso daquele haltere no pulso e bíceps, mesmo que estejam segurando o haltere na mão. Da mesma forma, um robô pode “sentir” o peso de um objeto através das múltiplas articulações em seu braço.

“Um ser humano não tem medições super-precisas dos ângulos articulares em nossos dedos ou a quantidade precisa de torque que estamos aplicando a um objeto, mas um robô. Aproveitamos essas habilidades”, diz Liu.

À medida que o robô levanta um objeto, o sistema dos pesquisadores reúne sinais dos codificadores articulares do robô, que são sensores que detectam a posição rotacional e a velocidade de suas articulações durante o movimento.

A maioria dos robôs possui codificadores conjuntos dentro dos motores que dirigem suas partes móveis, acrescenta Liu. Isso torna sua técnica mais econômica do que algumas abordagens, pois não precisa de componentes extras, como sensores táteis ou sistemas de rastreamento de visão.

Para estimar as propriedades de um objeto durante as interações robô-objeto, seu sistema depende de dois modelos: um que simula o robô e seu movimento e um que simula a dinâmica do objeto.

“Ter um gêmeo digital preciso do mundo real é realmente importante para o sucesso do nosso método”, acrescenta Chen.

O algoritmo deles “observa” o robô e o objeto se movem durante uma interação física e usa dados do codificador conjunto para trabalhar para trás e identificar as propriedades do objeto.

Por exemplo, um objeto mais pesado se moverá mais devagar que um leve se o robô aplicar a mesma quantidade de força.

Simulações diferenciáveis

Eles utilizam uma técnica chamada simulação diferenciável, que permite ao algoritmo prever como pequenas alterações nas propriedades de um objeto, como massa ou suavidade, afetam a posição da articulação final do robô. Os pesquisadores construíram suas simulações usando a biblioteca de urdidura da Nvidia, uma ferramenta de desenvolvedor de código aberto que suporta simulações diferenciáveis.

Depois que a simulação diferenciável corresponde aos movimentos reais do robô, o sistema identificou a propriedade correta. O algoritmo pode fazer isso em questão de segundos e só precisa ver uma trajetória do mundo real do robô em movimento para executar os cálculos.

“Tecnicamente, desde que você conheça o modelo do objeto e como o robô pode aplicar força a esse objeto, você poderá descobrir o parâmetro que deseja identificar”, diz Liu.

Os pesquisadores usaram seu método para aprender a massa e a suavidade de um objeto, mas sua técnica também pode determinar propriedades como o momento de inércia ou a viscosidade de um fluido dentro de um recipiente.

Além disso, como o algoritmo deles não precisa de um conjunto de dados extenso para treinamento, como alguns métodos que dependem de visão computacional ou sensores externos, não seria tão suscetível à falha quando se depara com ambientes invisíveis ou novos objetos.

No futuro, os pesquisadores querem tentar combinar seu método com visão computacional para criar uma técnica de detecção multimodal que é ainda mais poderosa.

“Este trabalho não está tentando substituir a visão computacional. Ambos os métodos têm seus prós e contras. Mas aqui mostramos que, sem uma câmera, já podemos descobrir algumas dessas propriedades”, diz Chen.

Eles também desejam explorar aplicativos com sistemas robóticos mais complicados, como robôs macios e objetos mais complexos, incluindo líquidos sloshing ou meios granulares como areia.

A longo prazo, eles esperam aplicar essa técnica para melhorar a aprendizagem de robôs, permitindo que futuros robôs desenvolvam rapidamente novas habilidades de manipulação e se adaptem a mudanças em seus ambientes.

“A determinação das propriedades físicas dos objetos dos dados tem sido um desafio na robótica, principalmente quando apenas medições limitadas ou barulhentas estão disponíveis. Este trabalho é significativo porque mostra que os robôs podem inferir com precisão propriedades como massa e suavidade usando apenas seus sensores conjuntos internos, sem depender de câmeras externas ou ferramentas de medição especializadas.

Esta história é republicada, cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que abrange notícias sobre pesquisa, inovação e ensino do MIT.