Сложные задачи, требующие ловких манипуляций руками — перекатывание, поворот, изгибание, определение трения и другие вещи, которые люди легко выполняют руками, — оказались для роботов заведомо трудными.Теперь команда исследователей информатики и инженерии Вашингтонского университета построила руку робота, которая может не только выполнять ловкие манипуляции, но и учиться на собственном опыте, не требуя, чтобы люди управляли им. Их последние результаты подробно описаны в документе, который будет представлен 17 мая на Международной конференции IEEE по робототехнике и автоматизации.«Манипуляции с руками — одна из самых сложных проблем, которые приходится решать робототехникам», — сказал ведущий автор исследования Викаш Кумар, докторант UW в области информатики и инженерии. «Сегодня у многих роботов есть довольно способные руки, но рука такая же простая, как присоска, может быть, коготь или захват».
В отличие от этого, исследовательская группа UW потратила годы на создание одной из самых мощных пятипалых рук роботов в мире. Затем они разработали точную имитационную модель, которая позволяет компьютеру анализировать движения в реальном времени. В своей последней демонстрации они применяют модель к оборудованию и к реальным задачам, таким как вращение удлиненного объекта.С каждой попыткой рука робота становится все более искусной в вращении трубки благодаря алгоритмам машинного обучения, которые помогают моделировать как основную физику, так и планировать действия, которые необходимо предпринять для достижения желаемого результата.
Этот автономный подход к обучению, разработанный лабораторией UW Movement Control Laboratory, контрастирует с демонстрациями робототехники, которые требуют, чтобы люди программировали каждое отдельное движение руки робота для выполнения одной задачи.
"Обычно люди смотрят на движение и пытаются определить, что именно должно произойти — мизинец должен двигаться таким образом, поэтому мы введем некоторые правила и попробуем, и если что-то не сработает, средний палец двинулся. слишком много и перо наклонено, поэтому мы попробуем другое правило », — сказал старший автор и директор лаборатории Эмо Тодоров, доцент кафедры информатики и инженерии, а также прикладной математики.«Это почти как создание мультфильма — он выглядит реальным, но его настраивала армия аниматоров», — сказал Тодоров. «Мы используем универсальный подход, который позволяет роботу учиться на своих собственных движениях и не требует дополнительных настроек».Создание ловкой руки робота с пятью пальцами сопряжено с трудностями как с точки зрения дизайна, так и с точки зрения управления.
Первый заключался в создании механической руки, обладающей достаточной скоростью, силой реагирования и гибкостью, чтобы имитировать базовое поведение человеческой руки.В ловкой руке робота UW, которую команда построила примерно за 300 000 долларов, используется скелет Shadow Hand, приводимый в действие специальной пневматической системой, и он может двигаться быстрее, чем человеческая рука. Это слишком дорого для повседневного коммерческого или промышленного использования, но позволяет исследователям продвигать основные технологии и тестировать инновационные стратегии контроля.«Происходит много хаотических вещей и происходят столкновения, когда вы касаетесь объекта разными пальцами, с чем трудно справиться алгоритмам управления», — сказал соавтор Сергей Левин, доцент кафедры информатики и инженерии UW, который работал на проекте в качестве постдокторанта в Калифорнийском университете в Беркли. «Наш подход сильно отличался от традиционного подхода к контролю».
Команда сначала разработала алгоритмы, которые позволили компьютеру моделировать очень сложное поведение пяти пальцев и планировать движения для достижения различных результатов — например, набора текста на клавиатуре или падения и ловли палки — в симуляции.Совсем недавно исследовательская группа передала модели для работы на реальном оборудовании с пятью пальцами, которое никогда не было точно таким же, как в смоделированном сценарии. Когда рука робота выполняет различные задачи, система собирает данные с различных датчиков и камер захвата движения и использует алгоритмы машинного обучения для постоянного совершенствования и разработки более реалистичных моделей.
«Это все равно, что сидеть на уроке, идти домой и делать домашнее задание, чтобы лучше понять вещи, а на следующий день возвращаться в школу немного умнее», — сказал Кумар.Пока что команда продемонстрировала локальное обучение с помощью аппаратной системы — это означает, что рука может продолжать улучшаться в дискретной задаче, которая включает в себя манипулирование одним и тем же объектом примерно таким же образом.
Следующие шаги включают начало демонстрации глобального обучения — что означает, что рука может понять, как манипулировать незнакомым объектом или новым сценарием, с которым она раньше не сталкивалась.