זוג חדש רובוטיקה מחקרים מגוגל ומאוניברסיטת קליפורניה, ברקלי מציעים דרכים למצוא חפצים סגורים על המדפים ולפתור משימות מניפולציה "עשירות במגע" כמו העברת חפצים על שולחן. UC ברקלי מחקר מציגה גישה לרוחב מקסימלית הפחתת שטח התמיכה בכיבוש (LAX-RAY), מערכת החוזה את מיקום אובייקט היעד, גם כאשר רק חלק מאותו אובייקט גלוי. באשר לעיתון המשותף לגוגל, הוא מציע מסקנת COntext Online (COCOI) המודעת ליצירת קשר, שמטרתה להטמיע את מאפייני הדינמיקה של דברים פיזיים במסגרת קלה לשימוש.
בעוד שחוקרים בחנו את בעיית הרובוטיקה של חיפוש חפצים בבלאגן די הרבה זמן, הגדרות כמו מדפים, ארונות וארונות הם אזור פחות נחקר, למרות תחולתם הרחבה. (לדוגמה, ייתכן שרובוט שירות בבית מרקחת יצטרך למצוא אספקה מארון רפואי.) בעיות מניפולציה עשירות במגע נפוצות באותה מידה בעולם הפיזי, ובני אדם פיתחו את היכולת לתפעל עצמים בעלי צורות ותכונות שונות סביבות מורכבות. אך רובוטים נאבקים במשימות אלה בשל האתגרים הגלומים בהבנת התפיסה והפיזיקה הממדים הגבוהים.
חוקרי אוניברסיטת ברקלי, שעבדו במחלקת AUTOLab באוניברסיטה, התמקדו באתגר למצוא אובייקטים של יעד סגור ב"סביבות גישה לרוחב ", או מדפים. מערכת LAX-RAY כוללת שלוש מדיניות חיפוש מכנית לרוחב. הם מכונים "אחיד", "צמצום אזורי תפוצה (DAR)" ו"צמצום אזורי תפוצה על מדרגות 'n' (DER-n) ", והם מחשבים פעולות לחשוף אובייקטים של יעד סגור המאוחסן על המדפים. כדי לבחון את ביצועי המדיניות הזו, השתמשו אנשי השותף במסגרת פתוחה - סימולטור המדף הראשון של המסדר (FOSS) - כדי ליצור 800 סביבות מדף אקראיות בעלות קושי משתנה. אחר כך הם פרסו את LAX-RAY למדף פיזי עם רובוט Fetch ומצלמת חישה עומק משובצת, ומדדו האם המדיניות יכולה להבין את מיקומם של אובייקטים בצורה מדויקת מספיק כדי שהרובוט ידחוף את האובייקטים האלה.
החוקרים טוענים כי מדיניות ה- DAR ו- DER-n הראו ביצועים חזקים בהשוואה למדיניות האחידות. בסימולציה, LAX-RAY השיגה דיוק של 87.3%, מה שתורגם לדיוק של כ- 80% כאשר הוא מוחל על הרובוט בעולם האמיתי. בעבודה עתידית החוקרים מתכננים לחקור מודלים של עומק מתוחכם יותר ושימוש בדחיפות במקביל למצלמה כדי ליצור מקום לדחיפות רוחביות. הם גם מקווים לתכנן פעולות משיכה באמצעות כוסות יניקה שהופעלו באופן פנאומטי כדי להרים ולהסיר חפצים סגורים מהמדפים העמוסים.
בעבודה של גוגל, שתרמה חוקרים מאלפבית X, סטנפורד ואוניברסיטת ברקלי, תיכננו החוקרים שיטת למידה לחיזוק עמוק שלוקחת נתונים רב-מודלים ומשתמשת ב"מבנה מייצג עמוק "כדי לתפוס דינמיקה עשירה במגע. COCOI מקיש על קטעי וידיאו וקריאות מחיישן מגע המותקן ברובוט כדי לקודד מידע דינמיקה לייצוג. זה מאפשר לאלגוריתם למידת חיזוק לתכנן עם "מודעות דינמיקה" המשפרת את החוסן שלו בסביבות קשות.
החוקרים שוו את מידת ה- COCOI בכך שרובוט מדומה וגם העולם האמיתי דוחף אובייקטים למיקוד, תוך הימנעות מלהפיל אותם. זה לא קל כמו שזה נשמע; לא ניתן היה לחלץ בקלות מידע מרכזי מנקודות מבט של זווית שלישית, ומאפייני דינמיקת המשימות לא נצפו ישירות ממידע חיישנים גולמי. יתר על כן, המדיניות צריכה להיות יעילה עבור אובייקטים בעלי מראה שונה, צורות, מסות ותכונות חיכוך.
החוקרים טוענים כי COCOI עלה על ביצועים בסיסיים "במגוון רחב של הגדרות" ומאפייני דינמיקה. בסופו של דבר הם מתכוונים להרחיב את גישתם לדחיפת חפצים לא נוקשים, כמו פיסות בד.
