TossingBot:Ein Roboterarm, der 500 Objekte/Stunde an Zielorte werfen kann

• Neuer Roboter lernt, beliebige Objekte aufzunehmen und an bestimmte Orte zu werfen.
• Es verwendet sowohl Deep Learning als auch Projektilphysik, um Objekte in unstrukturierten Umgebungen genau und schnell zu werfen.
• Innerhalb von 14 Stunden Trainingszeit erreichte es eine Wurfgenauigkeit von 85 %, mit einer Greifsicherheit von 87 % bei Unordnung.

In den letzten zehn Jahren wurden erhebliche Fortschritte erzielt, um Roboter intelligenter zu machen, um bestimmte Aufgaben effizienter zu erledigen und aus realen Erfahrungen zu lernen. Wenn es jedoch um die grundlegenden Fähigkeiten wie Fangen, Schwingen, Drehen und Werfen geht, hinken Roboter immer noch weit hinter Menschen zurück.

Jetzt haben Forscher von Google, MIT, Princeton University und Columbia University einen neuen Roboterarm entwickelt, der lernen kann, beliebige Objekte aufzunehmen und an bestimmte Orte zu werfen. Es verwendet sowohl Physik- als auch Deep-Learning-Methoden, um zufällige Objekte in unstrukturierten Umgebungen genau und schnell zu werfen.

Sie haben diesen Roboter TossingBot genannt. Er kann eine bis zu zweimal schnellere Aufnahmegeschwindigkeit als frühere Roboter erreichen, mit dem doppelten effektiven Platzierungsbereich.

Beteiligte Herausforderungen

Etwas zu werfen ist keine leichte Aufgabe für Roboter. Es spielen zahlreiche Faktoren eine Rolle, von der Aufnahme von Objekten unterschiedlicher Form bis hin zu physikalischen Eigenschaften von Objekten wie Masse, Aerodynamik und Reibung.

Wenn Sie beispielsweise ein schweres, langes Objekt von der Kante nehmen und es werfen, würde es weiter weg landen, als wenn Sie es aus der Mitte genommen hätten. Wenn Sie jedoch ein leichtes Objekt wie einen Tischtennisball auswählen, benötigen Sie eine große Kraft (aufgrund des Luftwiderstands), um es auf dieselbe Entfernung zu werfen.

Die manuelle Entwicklung einer Technik, die alle diese Parameter für jedes beliebige Objekt explizit steuert, ist fast unmöglich. Die Anwendung der Trial-and-Error-Technik ist ebenfalls keine gute Idee, da dies sowohl teuer als auch zeitaufwändig ist.

Kombination von Deep Learning und Physik

Während Deep Learning Robotern helfen kann, aus Erfahrung zu lernen, anstatt sich auf Einzelfallmechanismen zu verlassen, erfordert das präzise Werfen von Objekten an ihre Zielposition ein gutes Verständnis der Projektilphysik.

Referenz:arXiv:1903.11239 | Google AI-Blog  

Durch die Integration dieser beiden Funktionen ermöglichten die Ingenieure TossingBot, schnell zu trainieren und auf neue Szenarien zu verallgemeinern. Anhand einiger grundlegender Gesetze der Projektilphysik entwickelt der Roboter erste Controller, beispielsweise berechnet er, wie viel Wurfgeschwindigkeit erforderlich ist, um ein bestimmtes Objekt auf eine Zielposition zu werfen.

Dann sagen neuronale Netze Anpassungen zusätzlich zu diesen physikalischen Berechnungen voraus, um externe Faktoren wie Variabilität und Rauschen in der realen Welt zu kompensieren. Neben dem Training verlässt sich der Roboterarm auf die NVIDIA Titan GPU, um Szenen (aufgenommen mit RGB-Tiefenkameras) in 3D in Echtzeit zu rekonstruieren und 3D-Daten zu aggregieren, während sich der Arm bewegt.

Innerhalb von 14 Stunden Trainingszeit erreichte der TossingBot eine Wurfgenauigkeit von 85 %, mit einer Greifsicherheit von 87 % bei Unordnung. Es war in der Lage, mehr als 500 beliebige Objekte aufzunehmen und in die Kisten zu werfen, die außerhalb seiner maximalen Reichweite platziert wurden.

Wie geht es weiter?

Obwohl die Ergebnisse ziemlich beeindruckend erscheinen, hat der Roboter seine Mängel. Zum Beispiel geht es davon aus, dass Objekte stark genug sind, um Landungskollisionen zu widerstehen. Außerdem wertet es Kontrollvariablen nur aus visuellen Informationen aus.

Lesen Sie:Neues KI-System lehrt Roboter, direkt vom Menschen zu lernen

In der nächsten Studie werden die Forscher ihr System trainieren, Objekte so zu fangen, dass die Landung abgefedert wird. Sie planen auch, zusätzliche Erfassungsmodalitäten (wie Taktil und Kraft-Drehmoment) zu erforschen, die es dem Roboterarm ermöglichen könnten, seine Wurfgeschwindigkeit besser anzupassen.