Новый метод симуляции позволяет роботам точно чувствовать свойства объектов

Массачусетский технологический институт, Кембридж, штат Массачусетс

С новым методом симуляции роботы могут угадывать вес, мягкость и другие физические свойства объекта, просто поднимая его. (Изображение: MIT News/iStock)

Человеко-подобное восприятие через проприоцепцию

Человек, убирающий хлам на чердаке, часто может угадать содержимое коробки, просто поднимая ее и встряхивая, без необходимости смотреть, что внутри. Исследователи из MIT, Amazon Robotics и Британского Колумбийского университета научили роботов делать нечто подобное.

Они разработали технику, позволяющую роботам использовать только внутренние сенсоры для изучения веса, мягкости или содержимого объекта, поднимая его и слегка встряхивая. С их методом, не требующим внешних измерительных инструментов или камер, робот может точно угадать параметры, такие как масса объекта, за считанные секунды.

Эта недорогая техника может быть особенно полезна в приложениях, где камеры могут быть менее эффективны, таких как сортировка объектов в темном подвале или разборка завалов внутри здания, частично обрушившегося после землетрясения.

Ключ: дифференцируемая симуляция с цифровыми двойниками

Ключом к их подходу является процесс симуляции, включающий модели робота и объекта для быстрой идентификации характеристик объекта при взаимодействии робота с ним.

Метод исследователей так же хорош в угадывании массы объекта, как некоторые более сложные и дорогие методы, включающие компьютерное зрение. Кроме того, их эффективный по данным подход достаточно надежен для обработки множества типов непредвиденных сценариев.

«Эта идея общая, и я верю, что мы лишь царапаем поверхность того, чему робот может научиться таким образом. Моя мечта — чтобы роботы выходили в мир, касались вещей и двигали их в своих средах, и самостоятельно выясняли свойства всего, с чем они взаимодействуют», — сказал Питер Ичен Чен, постдок MIT и главный автор статьи по этой технике.

Метод исследовательской команды использует проприоцепцию — способность человека или робота чувствовать свое движение или положение в пространстве. Например, человек, поднимающий гантель в спортзале, может чувствовать вес этой гантели в запястье и бицепсе, хотя держит гантель в руке. Точно так же робот может «чувствовать» тяжесть объекта через множественные суставы в своей руке.

«У человека нет сверхточных измерений углов суставов в пальцах или точного количества крутящего момента, которое мы прикладываем к объекту, но у робота это есть. Мы используем эти способности», — сказал соавтор Чао Лю, постдок MIT.

Когда робот поднимает объект, система исследователей собирает сигналы от энкодеров суставов робота — сенсоров, обнаруживающих вращательное положение и скорость его суставов во время движения.

У большинства роботов есть энкодеры суставов внутри моторов, приводящих их подвижные части, добавил Лю. Это делает их технику более экономичной, чем некоторые подходы, потому что она не нуждается в дополнительных компонентах, таких тактильные сенсоры или системы отслеживания зрения.

Алгоритм обратного моделирования через дифференцируемую симуляцию

Для оценки свойств объекта во время взаимодействия робот-объект, их система опирается на две модели: одну, симулирующую робота и его движение, и одну, симулирующую динамику объекта. «Наличие точного цифрового двойника реального мира действительно важно для успеха нашего метода», — добавил Чен.

Их алгоритм «наблюдает» за движением робота и объекта во время физического взаимодействия и использует данные энкодеров суставов, чтобы работать в обратном направлении и идентифицировать свойства объекта. Например, более тяжелый объект будет двигаться медленнее, чем легкий, если робот прикладывает одинаковое усилие.

Они используют технику, называемую дифференцируемой симуляцией, позволяющую алгоритму предсказывать, как небольшие изменения в свойствах объекта, как масса или мягкость, влияют на конечное положение сустава робота. Исследователи построили свои симуляции, используя библиотеку NVIDIA Warp — инструмент разработчика с открытым исходным кодом, поддерживающий дифференцируемые симуляции.

Как только дифференцируемая симуляция совпадает с реальными движениями робота, система определила правильное свойство. Алгоритм может сделать это за считанные секунды и ему нужно увидеть только одну реальную траекторию робота в движении для выполнения вычислений.

«Технически, пока вы знаете модель объекта и как робот может прикладывать силу к этому объекту, вы должны иметь возможность выяснить параметр, который хотите идентифицировать», — сказал Лю. Исследователи использовали свой метод для изучения массы и мягкости объекта, но их техника также может определять свойства, такие как момент инерции или вязкость жидкости внутри контейнера.

Кроме того, поскольку их алгоритм не требует обширного набора данных для обучения, как некоторые методы, полагающиеся на компьютерное зрение или внешние сенсоры, он не был бы так восприимчив к отказу при столкновении с непредвиденными средами или новыми объектами.

В будущем исследователи хотят попробовать объединить свой метод с компьютерным зрением для создания мультимодальной сенсорной техники, которая будет еще более мощной.

«Эта работа не пытается заменить компьютерное зрение. У обоих методов есть их плюсы и минусы. Но здесь мы показали, что без камеры мы уже можем выяснить некоторые из этих свойств», — сказал Чен.

Они также хотят исследовать приложения с более сложными роботизированными системами, как мягкие роботы, и более сложными объектами, включая переливающиеся жидкости или гранулярные среды, как песок. В долгосрочной перспективе они надеются применить эту технику для улучшения обучения роботов, позволяя будущим роботам быстро развивать новые манипулятивные навыки и адаптироваться к изменениям в их средах.

Для получения дополнительной информации свяжитесь с Мелани Г라도с по адресу This email address is being protected from spambots. You need JavaScript enabled to view it.; 617-253-1682.