Робота навчили спритно хапати рухомі предмети

Австралійські дослідники створили алгоритм для роботів, що дозволяє їм захоплювати нерухомі об'єкти з високою точністю. Тести показали, що робот успішно справляється із захопленням побутових предметів у 88 відсотках випадків, розповідають розробники у статті, яка буде представлена на конференції RSS 2018.

Захоплення предметів - складний для роботів процес, але, оскільки його можна застосувати в безлічі промислових роботів, багато інженерів працюють над вирішенням цього завдання. Для цього робота необхідно не тільки оснастити добре сконструйованим маніпулятором, а й навчити його швидко відтворювати об'ємну модель предмета і точно контролювати тиск під час хапання. Існуючі розробки вже вміють успішно захоплювати предмети в більшості випадків, але майже завжди вони працюють у зі статичними предметами простої форми, а також у практично ідеальних умовах, де варіативність оточення вкрай мала - наприклад, на конвеєрі.

Деякі компанії, які прагнуть максимально автоматизувати робочий процес, наприклад, Amazon, навіть проводять змагання серед розробників роботів для захоплення предметів. Група інженерів з під керівництвом Юргена Ляйтнера (Jurgen Leitner) з Квінслендського Технологічного Університету, яка перемогла в цьому конкурсі в 2017 році, представила новий алгоритм, що дозволяє роботам швидко оцінювати об'єкти для захоплення, навіть якщо вони не перебувають у нерухомому становищі.

На маніпуляторі робота встановлена камера, що створює кольоровий знімок і карту глибини для нього. Після цього згорточна нейромережа створює на основі карти глибини нове зображення, на якому кожному пікселю присвоєно передбачувану якість захоплення, кут повороту маніпулятора і ширина маніпулятора, необхідна для захоплення. Потім на основі цих параметрів обчислюється оптимальний варіант захоплення і маніпулятор отримує відповідну команду.

На відміну від попередніх подібних розробок, алгоритм проводить ці розрахунки з частотою до 50 разів на секунду і завдяки цьому може коригувати свій рух у реальному часі, навіть якщо мета зрушила:

Розробники навчили алгоритм на популярному датасеті для цього завдання, створеному інженерами з Корнелського університету. Він складається з 885 об'єктів і тисяч захоплень, які дослідники модифікували і перетворили на дані про більш ніж 51 тисячі захоплень. Після цього розробники протестували алгоритм на реальних предметах, таких як гуртка або викрутка, і спеціальних надрукованих 3D-моделях, розроблених як складні приклади об'єктів для вистачаючих роботів. У результаті робот успішно впорався із захопленням складних рухомих предметів у 83 відсотках випадків, а з побутовими предметами - у 88 відсотках. Для нерухомих об'єктів ці показники ще вищі - 84 і 92 відсотки відповідно.

Як складні моделі для захоплення автори використовували датасет інших дослідників, складений ними минулого року. Вони також створили алгоритм для захоплення предметів, але їх робот здатний робити це тільки з нерухомими предметами.