Un par de nuevos robótica Los estudios de Google y la Universidad de California, Berkeley proponen formas de encontrar objetos ocluidos en los estantes y resolver tareas de manipulación "ricas en contacto", como mover objetos a través de una mesa. La UC Berkeley la investigación introduce la reducción máxima de acceso lateral del área de soporte de ocupación (LAX-RAY), un sistema que predice la ubicación de un objeto objetivo, incluso cuando solo una parte de ese objeto es visible. En cuanto al artículo coautor de Google, propone la inferencia de texto en línea consciente del contacto (COCOI), que tiene como objetivo integrar las propiedades dinámicas de las cosas físicas en un marco fácil de usar.
Si bien los investigadores han explorado el problema de la robótica de buscar objetos desordenados durante bastante tiempo, los entornos como estantes, gabinetes y armarios son un área menos estudiada, a pesar de su amplia aplicabilidad. (Por ejemplo, un robot de servicio en una farmacia puede necesitar encontrar suministros en un gabinete médico). Los problemas de manipulación ricos en contactos son igualmente omnipresentes en el mundo físico, y los humanos han desarrollado la capacidad de manipular objetos de diversas formas y propiedades en entornos complejos. Pero los robots luchan con estas tareas debido a los desafíos inherentes a la comprensión de la percepción y la física de alta dimensión.
Los investigadores de UC Berkeley, que trabajaban en el departamento AUTOLab de la universidad, se centraron en el desafío de encontrar objetos de destino ocluidos en "entornos de acceso lateral" o estanterías. El sistema LAX-RAY comprende tres políticas de búsqueda mecánica de acceso lateral. Llamados "Uniforme", "Reducción del área de distribución (DAR)" y "Reducción del área de distribución en 'n' pasos (DER-n)", calculan acciones para revelar los objetos objetivo ocluidos almacenados en estantes. Para probar el desempeño de estas políticas, los coautores aprovecharon un marco abierto, The First Order Shelf Simulator (FOSS), para generar 800 entornos de estantes aleatorios de diversa dificultad. Luego, desplegaron LAX-RAY en un estante físico con un robot Fetch y una cámara de detección de profundidad incorporada, midiendo si las políticas podían determinar la ubicación de los objetos con la suficiente precisión para que el robot los empujara.
Los investigadores dicen que las políticas DAR y DER-n mostraron un desempeño sólido en comparación con la política Uniforme. En una simulación, LAX-RAY logró un 87.3% de precisión, lo que se tradujo en aproximadamente un 80% de precisión cuando se aplicó al robot del mundo real. En trabajos futuros, los investigadores planean investigar modelos de profundidad más sofisticados y el uso de empujes paralelos a la cámara para crear espacio para empujes laterales. También esperan diseñar acciones de tracción utilizando ventosas activadas neumáticamente para levantar y eliminar objetos que obstruyen los estantes abarrotados.
En el trabajo de Google, que contó con contribuciones de investigadores de Alphabet's X, Stanford y UC Berkeley, los coautores diseñaron un método de aprendizaje por refuerzo profundo que toma datos multimodales y utiliza una "estructura representativa profunda" para capturar dinámicas ricas en contactos. COCOI captura secuencias de video y lecturas de un sensor táctil montado en un robot para codificar información dinámica en una representación. Esto permite que un algoritmo de aprendizaje por refuerzo planifique con “conciencia dinámica” que mejora su robustez en entornos difíciles.
Los investigadores evaluaron COCOI al hacer que un robot simulado y del mundo real empujara objetos a ubicaciones objetivo mientras evitaba derribarlos. Esto no es tan fácil como parece; La información clave no se podía extraer fácilmente desde perspectivas de tercer ángulo, y las propiedades de la dinámica de tareas no se podían observar directamente a partir de la información sin procesar del sensor. Además, la política debía ser eficaz para objetos con diferentes apariencias, formas, masas y propiedades de fricción.
Los investigadores dicen que COCOI superó una línea de base "en una amplia gama de entornos" y propiedades dinámicas. Finalmente, tienen la intención de ampliar su enfoque para empujar objetos no rígidos, como trozos de tela.
