Roboty uczą się cech obiektowych, drżąc

Naukowcy z MIT, Amazon Robotics i University of British Columbia opracowali metodę, która pozwala robotom dowiedzieć się o wadze, miękkości lub zawartości obiektu, delikatnie ją wstrząsając.Roboty mogą używać czujników wewnętrznych do określenia masy obiektu w ciągu kilku sekund, bez wymagania kamer lub narzędzi zewnętrznych.Ta tanie technika jest korzystna w środowiskach, w których kamery mogą nie działać, na przykład w ciemnych przestrzeniach lub podczas odzyskiwania po awarii.

Kluczową częścią metody jest proces symulacyjny, który modeluje zarówno robot, jak i obiekt, umożliwiając robota szybkie identyfikację obiektów podczas interakcji.Technika jest tak skuteczna, jak droższe metody widzenia komputerowego.Jest wystarczająco solidny, aby poradzić sobie z różnymi niewidzialnymi scenariuszami, co czyni go wszechstronnym rozwiązaniem dla różnorodnych zastosowań robotycznych.


Sygnały wykrywania
Metoda badaczy wykorzystuje propriocepcję, która jest zdolnością do wyczuwania ruchu lub pozycji, podobnie jak ludzie odczuwają ciężar hantli.Robot może wyczuć ciężkość obiektu przez stawy ramienia.Gdy robot podnosi obiekt, gromadzi dane ze swoich wspólnych enkoderów, które mierzą pozycję i prędkość połączeń, co czyni metodę opłacalną bez konieczności dodatkowych czujników, takich jak dotyk lub wizja.System wykorzystuje dwa modele ruchu robota i zachowania obiektu.Śledząc ruchy robota i używając wspólnych danych, algorytm wymyśla właściwości obiektu, na przykład, jak cięższy obiekt porusza się wolniej niż lżejszy pod tą samą siłą.

Symulacje różnicowe
Technika wykorzystuje symulację różniczkową, aby przewidzieć, w jaki sposób zmiany właściwości obiektu, takie jak masa lub miękkość, wpływają na końcową pozycję wspólną robota.Naukowcy mają nadzieję połączyć tę technikę z wizją komputerową dla mocniejszego systemu multimodalnego.Mają również na celu zastosowanie go do bardziej złożonych systemów robotycznych, takich jak miękkie roboty, i obsługują obiekty takie jak płyny lub materiały ziarniste.Ostatecznie wyobrażają sobie tę technikę uczenia się robotów, umożliwiając robotom rozwijanie nowych umiejętności manipulacji i szybkie dostosowywanie się do zmieniających się środowisk.