„Šis darbas rodo perėjimą nuo robotų programavimo prie robotų mokymo“, – sakė Sizhe Lester Li, pagrindinis tyrėjas ir daktaro laipsnis. MIT CSAIL studentas. „Šiandien daugeliui robotikos užduočių reikia išsamios inžinerijos ir kodavimo. Ateityje mes įsivaizduojame, kad parodome robotą, ką daryti, ir leisdami jam išmokti, kaip autonomiškai pasiekti tikslą.“
MIT bando padaryti robotus lankstesnius, prieinamus
Mokslininkai teigė, kad jų motyvacija kyla iš paprasto pertvarkymo: pagrindinė kliūtis įperkamą, lanksčią robotiką nėra aparatinė įranga – tai yra galimybių kontrolė, kurią būtų galima pasiekti įvairiais būdais. Tradiciniai robotai yra sukurti kaip tvirti ir turtingi jutikliais, todėl lengviau sukonstruoti skaitmeninį dvynį, tikslią matematinę kopiją, naudojamą valdymui.
Bet kai robotas yra minkštas, deformuojamas ar netaisyklingos formos, šios prielaidos subyrėja. Užuot privertęs robotus suderinti kai kuriuos modelius, NJF atspindi scenarijų, suteikdamas jiems galimybę iš stebėjimo išmokti savo vidinio modelio.
Šis modeliavimo ir aparatinės įrangos dizaino atsiejimas galėtų žymiai išplėsti robotikos projektavimo erdvę. Minkštame ir biologiniuose robotuose dizaineriai dažnai įterpia jutiklius arba sustiprina konstrukcijos dalis, kad modeliavimas būtų įmanomas.
NJF pakelia šį suvaržymą, sakė MIT CSAIL komanda. Sistemai nereikia laive esančių jutiklių ar dizaino patarimų, kad būtų galima valdyti. Dizaineriai laisvai tyrinėja netradicines, nevaržomas morfologijas, nesijaudindami, ar vėliau galės juos modeliuoti ar valdyti, – tvirtino.
„Pagalvokite apie tai, kaip išmoksite valdyti pirštus: jūs vingiuojate, stebite, prisitaikote“, – sakė Li. “Štai ką daro mūsų sistema. Tai eksperimentuoja su atsitiktiniais veiksmais ir išsiaiškina, kurie kontroliuoja, kurios roboto dalys perkelia.”
Sistema pasirodė tvirta įvairių tipų robotų rūšimis. Komanda išbandė NJF ant pneumatinės minkštos robotinės rankos, galinčios suspausti ir sugriebti, standžią alegro ranką, 3D atspausdintą robotinę ranką ir net besisukančią platformą be įterptų jutiklių. Kiekvienu atveju sistema išmoko ir roboto formą, ir tai, kaip ji reagavo į valdymo signalus, tik iš regėjimo ir atsitiktinio judesio.
NJF turi potencialias realaus pasaulio programas
MIT CSAL tyrėjai teigė, kad jų požiūris turi daugybę ribų. Robotai, turintys NJF, vieną dieną galėtų atlikti žemės ūkio užduotis su centimetro lygio lokalizacijos tikslumu, veikti statybvietėse be sudėtingų jutiklių matricų arba naršyti dinamiškose aplinkose, kur tradiciniai metodai nutrūksta.
NJF esmė yra neuroninis tinklas, kuriame užfiksuoti du susipynę roboto įkūnijimo aspektai: jo trimatė geometrija ir jos jautrumas kontrolės įvestims. Sistema remiasi nervinių spinduliuotės laukais (Nerf) – technika, kuri rekonstruoja 3D scenas iš vaizdų, sudarant erdvines koordinates su spalvų ir tankio vertėmis. NJF praplečia šį požiūrį išmokdamas ne tik roboto formą, bet ir Jokūbo lauką – funkciją, kuri prognozuoja, kaip bet kuris roboto kūno taškas juda reaguojant į variklio komandas.
Norėdami išmokyti modelį, robotas atlieka atsitiktinius judesius, o kelios kameros užfiksuoja rezultatus. Nereikia jokios žmogaus priežiūros ar ankstesnių žinių apie roboto struktūrą – sistema tiesiog nustato ryšį tarp valdymo signalų ir judesio stebint.
Kai treniruotės bus baigtos, robotui reikia tik vienos monokulinės kameros, kad būtų galima kontroliuoti realaus laiko ribą, veikiantį maždaug 12 „Hertz“. Tai leidžia nuolat stebėti save, planuoti ir veikti reaguojant. Dėl šio greičio NJF yra perspektyvesnis nei daugelis fizikos pagrįstų modelių, pagrindžiančių minkštus robotus, kurie dažnai yra per daug skaičiuojami, kad būtų galima naudoti realiuoju laiku.
Ankstyvuose modeliavimuose net paprasti 2D pirštai ir slankikliai galėjo išmokti šį žemėlapį naudodami tik keletą pavyzdžių, pažymėjo mokslininkus. Modeliuodamas, kaip konkretūs taškai deformuojasi ar poslinkis reaguodami į veiksmą, NJF sukuria tankų valdymo žemėlapį. Šis vidinis modelis leidžia apibendrinti judesį per roboto kūną, net kai duomenys yra triukšmingi ar neišsamūs.
„Tikrai įdomu tai, kad sistema pati išsiaiškina, kuri varikliai kontroliuoja, kurios roboto dalys“, – sakė Li. „Tai nėra užprogramuota – tai natūraliai atsiranda mokantis, panašiai kaip žmogus, atradęs mygtukus naujame įrenginyje.“
Robotikos ateitis yra minkšta, sako „Csail“
Dešimtmečius robotika palankiai įvertino griežtas, lengvai modeliuotas mašinas, tokias kaip gamyklose esančios pramonės ginklai, nes jų savybės supaprastina valdymą. Tačiau laukas judėjo link minkštų, biologiškai įkvėptų robotų, kurie gali sklandžiau prisitaikyti prie realaus pasaulio. Kompromisas? Anot MIT CSAIL, šiuos robotus sunkiau modeliuoti.
„Šiandien robotika dažnai jaučiasi nepasiekiama dėl brangių jutiklių ir sudėtingo programavimo“, – sakė Vincentas Sitzmannas, vyresnysis autorius ir MIT docentas. „Mūsų tikslas su nervų Jokūbo laukais yra sumažinti kliūtį, todėl robotika tampa prieinama, pritaikoma ir prieinama daugiau žmonių“.
„Vizija yra atsparus, patikimas jutiklis“, – pridūrė Sitzmannas, kuris vadovauja scenos reprezentacijos grupei. „Tai atveria duris robotams, kurie gali veikti nepatogioje, nestruktūrizuotoje aplinkoje, nuo ūkių iki statybinių vietų, be brangios infrastruktūros.“
„Vien tik vizija gali suteikti lokalizacijos ir kontrolės nurodymus-tai yra GPS, išorinių stebėjimo sistemų ar sudėtingų jutiklių poreikio išjungimas“,-pažymėjo bendraautorė Daniela Rus, ERNA Viterbi elektros inžinerijos profesorė ir MIT CSAIL direktorė.
„Tai atveria tvirtą, adaptyvų elgesį nestruktūrizuotoje aplinkoje, pradedant dronais, naršančiais patalpose ar po žeme, iki mobiliųjų manipuliatorių, dirbančių netvarkinguose namuose ar sandėliuose, ir net kojų robotus, einančius į nelygią reljefą“, – sakė ji. „Mokydamiesi iš vaizdinių atsiliepimų, šios sistemos sukuria vidinius savo judesio ir dinamikos modelius, leisdamos lanksčią, savarankišką operaciją, kai tradiciniai lokalizacijos metodai nepavyks“.
Nors NJF mokymui šiuo metu reikia kelių fotoaparatų ir reikia perdaryti kiekvienam robotui, tyrėjai jau laikė prieinamesnę versiją. Ateityje mėgėjai savo telefonu galėtų įrašyti atsitiktinius roboto judesius, panašiai kaip prieš važiuodami, naudodami tą filmuotą medžiagą, naudodami tą filmuotą medžiagą, kad sukurtumėte valdymo modelį, be išankstinių žinių ar specialios įrangos.
https://www.youtube.com/watch?v=dfz1rvjmn7a
MIT komanda dirba pagal sistemos apribojimus
NJF sistema dar nėra apibendrinta skirtinguose robotuose ir jai trūksta jėgos ar lytėjimo jutimo, ribodama jos veiksmingumą atliekant daugybę kontaktų turinčių užduočių. Tačiau komanda tyrinėja naujus būdus, kaip pašalinti šiuos apribojimus, įskaitant apibendrinimo gerinimą, okliuzijų tvarkymą ir modelio galimybių išplėtimą dėl ilgesnio erdvinio ir laikinojo horizonto.
„Kaip žmonės ugdo intuityvų supratimą apie tai, kaip jų kūnas juda ir reaguoja į komandas, NJF suteikia robotams tokį įkūnytą savimonę vien per viziją“,-sakė Li. “Šis supratimas yra lanksčios manipuliavimo ir kontrolės realaus pasaulio aplinkoje pagrindas. Mūsų darbas iš esmės atspindi platesnę robotikos tendenciją: nutolti nuo rankiniu būdu programuojant išsamius modelius, kaip mokyti robotus stebint ir sąveikaujant.”
Straipsnyje buvo sujungtas kompiuterinės vizijos ir pačių prižiūrimų mokymosi darbas iš pagrindinio tyrėjo Sitzmanno laboratorijos ir „Rus 'Lab“ minkštųjų robotų kompetencijos. Li, Sitzmann ir Rusas kartu su CSAIL Ph.D. Studentai Annan Zhang SM '22 ir Boyuan Chen, bakalauro tyrinėtoja Hanna Matusik ir postdoc Chao Liu.
Tyrimą rėmė Saliamono Buchsbaum tyrimų fondas per MIT tyrimų paramos komitetą, MIT prezidento stipendiją, Nacionalinį mokslo fondą ir Gwangju mokslo ir technologijos institutą. Jų išvados buvo paskelbtos Prigimtis šį mėnesį.
