Роботам прищеплять «хапальний рефлекс»

Дослідники з лабораторії AUTOLAB Каліфорнійського університету в Берклі виклали у відкритий доступ велику базу даних для навчання роботів захопленню предметів. Використання тренувальних матеріалів допоможе значно підвищити точність роботи машин. Файли, а також необхідні інструкції доступні на сайті підрозділу.

На відміну від людини, роботу непросто взяти і перемістити побутовий предмет (наприклад, тарілку), особливо якщо він йому незнайомий. Як правило, машини, які добре справляються з цим завданням, працюють лише з певним класом об'єктів. Однак в останні роки дослідники активно працюють над створенням «універсальних» маніпуляторів, які зможуть успішно захоплювати абсолютно будь-які речі. У цьому випадку інженери керуються двома стратегіями: вони або концентруються на обладнанні, або на програмному забезпеченні. Перший підхід передбачає, що робот може не знати особливостей предмета, проте володіти такими інструментами (присосками, щупальцями), які все одно дозволять підібрати його. У рамках другого і більш перспективного підходу вчені, як правило, розробляють системи штучного інтелекту, які допомагають маніпулятору оцінювати властивості об'єкта і його положення в просторі, а потім вибирати найбільш вдалу стратегію захоплення.

На початку червня AUTOLAB представила рекордно спритного робота Dex-Net 2.0, який у 80 відсотках випадків успішно підбирає незнайомі предмети. Такий хороший результат багато в чому обумовлений використанням нейромережі і глибинного навчання. Перш ніж підібрати річ, Dex-Net 2.0 за допомогою камери глибини оцінює ймовірність успішності захоплення - якщо вона виявляється нижче 50 відсотків, він рухає або перевертає об'єкт і заново розраховує ймовірність. Для того, щоб навчити машину підбирати техніку захоплення, дослідники створили базу даних з півтори тисячі тривимірних моделей різних предметів.

Зараз інженери AUTOLAB випустили відкритий набір навчальних матеріалів, який включає вже 6,7 мільйонів подібних моделей (синтетичних хмар точок). Вони йдуть в парі з найбільш підходящими стратегіями захоплення, а також з оцінкою ймовірності того, наскільки успішною буде спроба підняти і перенести об'єкт. Крім того, база даних включає і попередньо навчену згорточну нейромережу, яка використовувалася самими розробниками. Дослідники сподіваються, що це дозволить власникам інших роботів поліпшити їхню роботу, а також допоможе розвитку нових архітектур нейромереж.

Dex-Net 2.0 далеко не перший робот, який використовує машинне навчання для своєї роботи. У квітні компанія RáHand Robotics продемонструвала нову руку-маніпулятор, яка може ділитися своїм досвідом з іншими пристроями. Схожу стратегію використовувала компанія Google при створенні роботів, які вміють координувати свої рухи при захопленні предметів.