Vooruitgang in robotica verandert de wereld om ons heen op talloze manieren ingrijpend. Medische robots helpen chirurgen om nauwkeuriger te zijn en het bloedverlies van patiënten te verminderen, en helpen ook bij postoperatieve desinfectie om de resultaten voor de patiënt te verbeteren. In productieomgevingen optimaliseren robots workflows om producten met hogere snelheden en met grotere consistentie te produceren dan in het verleden mogelijk was. En zelfs in onze huizen zorgen robotstofzuigers voor onze klusjes, zodat we meer tijd hebben om te doen wat we zouden willen doen. Maar een rode draad die door al deze use-cases loopt, is dat elke robot speciaal is gebouwd voor een zeer specifieke taak. Zelfs met alle innovaties die de afgelopen decennia zijn voortgekomen, zijn we nog ver verwijderd van een robot voor algemeen gebruik zoals Rosie the Robot uit De Jetsons die vrijwel elke gevraagde taak kan uitvoeren.
Een mogelijkheid die ontbreekt bij de huidige robots is de mogelijkheid om willekeurig gereedschap in het wild te grijpen en te manipuleren. Dit kunnen is een voorwaarde voor een robot om verschillende taken op een mensachtige manier uit te voeren, dus een team van onderzoekers van MIT werkte samen met een groep van het Toyota Research Institute om aan dit belangrijke doel te werken . Ze hebben onlangs hun resultaten gepubliceerd op SEED, of Serie Elastische Eindeffectors in 6D, dat een raamwerk definieert voor het gebruik van zachte bellengrijpers die een lerend algoritme gebruiken om precies de juiste hoeveelheid kracht op een gereedschap uit te oefenen voor het juiste gebruik ervan. Voortdurende ontwikkeling van dit systeem zou op een dag kunnen leiden tot de ontwikkeling van een robot die in staat is om elk gereedschap dat het tegenkomt te manipuleren.
Systeemoverzicht op hoog niveau (📷: H. Suh et al.)
SEED maakt gebruik van een PicoFlexx IR-Depth-camera die in de bellengrijper van de robot is gemonteerd. Bij het vastpakken van een gereedschap wordt de positie van het contactvlak geschat met behulp van een achtergrondaftrekalgoritme. Er wordt een kaart gegenereerd van hoe de grijpers vervormen over een zesdimensionale ruimte, en deze informatie wordt gebruikt om de relatieve houding van het gereedschap te schatten. Op basis van informatie uit ervaringen uit het verleden, wordt een model gebouwd dat de gereedschapspositionering in kaart brengt voor krachtmetingen. Deze metingen worden vervolgens gebruikt om de grijperdruk aan te passen om het gereedschap precies goed vast te pakken, op een manier die zelfs Goudlokje zou goedkeuren.
Het team implementeerde hun systeem op een robotarm om het in een reeks proeven te testen. In één scenario lieten ze de robot de bedrieglijk moeilijke taak uitvoeren om een vloeistof op een plat oppervlak te vegen. De kracht die op de rakel wordt uitgeoefend, moet in realtime snel veranderen als deze over het oppervlak glijdt - te veel of te weinig druk en ofwel is het gereedschap niet effectief of valt het uit de grijper. Het bleek dat SEED redelijk goed presteerde in deze taak, terwijl de basislijnmethoden moeite hadden om het goed te doen.
De onderzoekers pasten hun techniek ook toe op het schrijven met een pen op papier en het aandraaien van een schroef met een schroevendraaier. SEED toonde zich in al deze tests zeer capabel. Er is echter nog een lange weg te gaan. Op dit moment vereist het systeem bijvoorbeeld dat een gereedschap cilindrisch van vorm is. Afgezien hiervan zijn er nog veel andere beperkingen die moeten worden uitgewerkt, dus het zal nog een tijdje duren voordat grijprobots voor algemeen gebruik een realiteit worden, maar dit onderzoek is een belangrijke stap in de goede richting.
