TossingBot: Hochgeschwindigkeits-Roboterarm wirft 500 Objekte/Stunde mit 85 % Genauigkeit

Neuer Roboter lernt, beliebige Objekte aufzuheben und in spezifische Positionen zu werfen. Er nutzt Deep Learning und Projektilephysik für präzises, schnelles Werfen in unstrukturierten Umgebungen. Nach 14 Stunden Training: 85 % Wurfgenauigkeit, 87 % Greifzuverlässigkeit im Durcheinander.

Herausforderungen

Werfen ist für Roboter nicht einfach. Viele Faktoren: Wie Objekte verschiedener Formen gegriffen werden, physikalische Eigenschaften wie Masse, Aerodynamik, Reibung.

Beispiel: Schweres, langes Objekt am Rand gegriffen und geworfen → landet weiter weg als bei Griff in der Mitte. Leichtes Objekt wie Pingpongball → große Kraft nötig (Luftwiderstand) für gleiche Distanz.

Manuelle Technik, die all diese Parameter pro Objekt explizit steuert, fast unmöglich. Trial-and-Error auch keine gute Idee – teuer und zeitaufwändig.

Deep Learning + Physik kombiniert

Während Deep Learning Robotern hilft, aus Erfahrung zu lernen statt auf Fall-für-Fall-Mechanismen zu setzen, erfordert präzises Werfen auf Zielposition gutes Verständnis der Projektilephysik.

Referenz: arXiv:1903.11239 | Google AI Blog

Durch Integration beider Features ermöglichten Ingenieure TossingBot schnelles Training und Generalisierung auf neue Szenarien. Mit fundamentalen Gesetzen der Projektilephysik entwickelt der Roboter initiale Controller – z. B. Berechnung nötiger Wurfgeschwindigkeit für spezifisches Objekt an Zielposition.

Dann sagen neuronale Netze Anpassungen auf Basis der Physikberechnungen voraus, um externe Faktoren wie Variabilität und Rauschen in der Realwelt zu kompensieren. Neben Training nutzt der Roboterarm NVIDIA Titan GPU für 3D-Szenenrekonstruktion (via RGB-Depth-Kameras) in Echtzeit und Aggregation von 3D-Daten während der Armbewegung.

Nach 14 Stunden Training erreichte TossingBot 85 % Wurfgenauigkeit, 87 % Greifzuverlässigkeit im Durcheinander. Er konnte über 500 beliebige Objekte in Boxen außerhalb seiner maximalen Reichweite werfen.

Ausblick

Obwohl Ergebnisse beeindruckend, hat der Roboter Mängel. Er nimmt an, Objekte sind stark genug für Landeaufprall. Er bewertet Steuergrößen nur aus visueller Information.

Nächste Studie: System trainieren, Objekte so zu fangen, dass Landung gedämpft wird. Auch zusätzliche Sensorik (taktil, Kraft-Drehmoment) erforschen, um Wurfgeschwindigkeiten besser anzupassen.