Новый метод моделирования позволяет роботам точно определять свойства объектов

Массачусетский технологический институт, Кембридж, Массачусетс

С помощью нового метода моделирования роботы могут угадать вес, мягкость и другие физические свойства объекта, просто взяв его в руки. (Изображение:MIT News/iStock)

Человек, убирающий мусор с чердака, часто может угадать содержимое коробки, просто взяв ее и встряхнув, без необходимости видеть, что находится внутри. Исследователи из Массачусетского технологического института, Amazon Robotics и Университета Британской Колумбии научили роботов делать нечто подобное.

Они разработали технику, которая позволяет роботам использовать только внутренние датчики, чтобы узнавать о весе, мягкости или содержимом объекта, поднимая его и осторожно встряхивая. Благодаря их методу, который не требует внешних измерительных инструментов или камер, робот может точно угадать такие параметры, как масса объекта, за считанные секунды.

Этот недорогой метод может быть особенно полезен в тех случаях, когда камеры могут быть менее эффективными, например, при сортировке предметов в темном подвале или расчистке завалов внутри здания, частично обрушившегося после землетрясения.

Ключом к их подходу является процесс моделирования, включающий модели робота и объекта для быстрого определения характеристик этого объекта при взаимодействии робота с ним.

Техника исследователей так же хороша в определении массы объекта, как и некоторые более сложные и дорогие методы, включающие компьютерное зрение. Кроме того, их подход к эффективному использованию данных достаточно надежен, чтобы справиться со многими типами невидимых сценариев.

"Эта идея является общей, и я считаю, что мы лишь прикасаемся к поверхности того, чему робот может научиться таким образом. Я мечтаю, чтобы роботы вышли в мир, прикасались к вещам и перемещали их в окружающей среде, а также самостоятельно выясняли свойства всего, с чем они взаимодействуют", - сказал Питер Ичен Чен, постдок Массачусетского технологического института и ведущий автор статьи об этой технике.

Метод исследовательской группы использует проприоцепцию, то есть способность человека или робота ощущать свое движение или положение в пространстве. Например, человек, поднимающий гантель в тренажерном зале, может ощутить вес этой гантели на своем запястье и бицепсе, даже если он держит гантель в руке. Точно так же робот может «чувствовать» тяжесть объекта через множество суставов своей руки.

"Человек не может точно измерить углы суставов наших пальцев или точную величину крутящего момента, который мы прикладываем к объекту, но у робота есть. Мы пользуемся этими способностями", - сказал соавтор Чао Лю, постдок Массачусетского технологического института.

Когда робот поднимает объект, система исследователей собирает сигналы от энкодеров суставов робота, которые представляют собой датчики, определяющие положение вращения и скорость его суставов во время движения.

По словам Лю, у большинства роботов внутри двигателей есть совместные энкодеры, которые приводят в движение их подвижные части. Это делает их метод более экономичным, чем некоторые подходы, поскольку для него не нужны дополнительные компоненты, такие как тактильные датчики или системы слежения за зрением.

Чтобы оценить свойства объекта во время взаимодействия робота с объектом, их система опирается на две модели:одну, которая имитирует робота и его движение, и другую, которая имитирует динамику объекта. «Наличие точного цифрового двойника реального мира очень важно для успеха нашего метода», — добавил Чен.

Их алгоритм «наблюдает» за перемещением робота и объекта во время физического взаимодействия и использует данные совместного кодировщика для работы в обратном направлении и определения свойств объекта. Например, более тяжелый объект будет двигаться медленнее, чем легкий, если робот приложит одинаковое усилие.

Они используют метод, называемый дифференцируемым моделированием, который позволяет алгоритму предсказать, как небольшие изменения в свойствах объекта, таких как масса или мягкость, влияют на конечное положение сустава робота. Исследователи построили свои симуляции, используя библиотеку NVIDIA Warp, инструмент разработчика с открытым исходным кодом, который поддерживает дифференцируемое моделирование.

Как только дифференцируемое моделирование совпадает с реальными движениями робота, система определила правильное свойство. Алгоритм может сделать это за считанные секунды, и для выполнения расчетов ему достаточно увидеть только одну реальную траекторию движения робота.

«Технически, если вы знаете модель объекта и то, как робот может применять силу к этому объекту, вы сможете определить параметр, который хотите идентифицировать», — сказал Лю. Исследователи использовали свой метод, чтобы узнать массу и мягкость объекта, но их метод также может определять такие свойства, как момент инерции или вязкость жидкости внутри контейнера.

Кроме того, поскольку их алгоритм не требует обширного набора данных для обучения, как некоторые методы, основанные на компьютерном зрении или внешних датчиках, он не будет так подвержен сбоям при столкновении с невидимой средой или новыми объектами.

В будущем исследователи хотят попробовать объединить свой метод с компьютерным зрением, чтобы создать еще более мощную технику мультимодального зондирования.

"Эта работа не пытается заменить компьютерное зрение. Оба метода имеют свои плюсы и минусы. Но здесь мы показали, что без камеры мы уже можем выяснить некоторые из этих свойств", - сказал Чен.

Они также хотят изучить приложения с более сложными роботизированными системами, такими как мягкие роботы, и более сложными объектами, включая плещущиеся жидкости или сыпучие среды, такие как песок. В долгосрочной перспективе они надеются применить эту технику для улучшения обучения роботов, что позволит будущим роботам быстро развивать новые навыки манипулирования и адаптироваться к изменениям в окружающей среде.

Для получения дополнительной информации свяжитесь с Мелани Градос по адресу:Этот адрес электронной почты защищен от спам-ботов. Для просмотра у вас должен быть включен JavaScript.; 617-253-1682.