Étudiant au doctorat Lucas Manuelli pose avec un robot Kuka bras, qui utilise un réseau neuronal pour en apprendre sur de nouveaux objets.
Image: Tom Buehler/CSAIL
Des Robots dans les usines sont vraiment bons à ramasser des objets qu’ils ont été pré-programmé à gérer, mais cela est une autre histoire quand de nouveaux objets sont jetés dans le mélange. Pour surmonter cette frustrant manque de souplesse, une équipe de chercheurs du MIT a conçu un système essentiellement enseigne de robots la façon d’évaluer les objets inconnus pour eux-mêmes.
Comme il est, les ingénieurs ont essentiellement deux options quand il s’agit de développer la préhension des robots: spécifique à la tâche d’apprentissage et généralisée de saisir des algorithmes. Comme son nom l’indique, spécifique à la tâche d’apprentissage est connecté à un travail particulier (par exemple, ramasser ce boulon et la vis dans la partie) et n’est généralement pas généralisables à d’autres tâches. Général de préhension, d’autre part, permet aux robots de manipuler des objets de différentes formes et tailles, mais au prix de son incapacité à effectuer plus complexe et nuancée des tâches.
Aujourd’hui robotique de saisir systèmes sont donc trop spécifiques ou trop basique. Si nous sommes toujours à développer des robots capables de nettoyer le garage ou le tri par le biais d’un encombrée de cuisine, nous allons avoir besoin de machines qui peuvent enseigner eux-mêmes, sur le monde et tous les trucs qui est en elle. Mais pour que les robots pour l’acquisition de ces compétences, ils doivent penser plus comme des êtres humains. Un nouveau système développé par des chercheurs du MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) prend un pas de plus vers cet objectif.
Il est appelé Dense Objet Filets, ou NE. Ce réseau de neurones génère une impression interne, ou visual feuille de route, d’un objet à la suite d’une brève inspection visuelle (généralement autour de 20 minutes). Cela permet au robot d’acquérir un sens d’un objet de forme. Armé avec cette image de la feuille de route, le robot peut ensuite aller sur la tâche de ramasser ther objet—en dépit de n’avoir jamais vu avant. Les chercheurs, dirigés par Pierre de Florence, présentera cette recherche, le mois prochain lors de la Conférence sur le Robot d’Apprentissage à Zürich, en Suisse, mais pour l’instant, vous pouvez consulter leur papier sur le preprint arXiv serveur.
Au cours de la phase d’apprentissage, N’vues d’un objet à partir de plusieurs angles. Il reconnaît des endroits spécifiques, ou des points sur l’objet, et les cartes de tous les objet de points pour former un ensemble de système de coordonnées (c’est à dire le visuel de la feuille de route). Par la cartographie de ces points, le robot reçoit une impression 3D de l’objet. Surtout, NE n’est pas pré-formé avec la mention ensembles de données, et il est capable de construire son visuel de la feuille de route, un seul objet à la fois sans aucune aide humaine. Les chercheurs se réfèrent à ce que “auto-contrôlé” de l’apprentissage.
Une fois leur formation terminée, un opérateur humain peut pointer vers un endroit précis sur un écran d’ordinateur, ce qui indique au robot où il est censé accrocher à l’objet. Dans les tests, par exemple, un Kuka IIWA BR bras de robot soulevé un de la chaussure, par sa langue et un animal en peluche par son oreille. N’est également capable de classer les objets par type (par exemple, les chaussures, les tasses, les chapeaux), et peut même discerner des instances spécifiques au sein d’une classe d’objets (par exemple, éclairé d’un brun chaussure rouge chaussure).
Dans le futur, une version plus sophistiquée de NE peut être utilisé dans une variété de paramètres, tels que la collecte et le tri des objets dans les entrepôts, de travail dangereux dans les paramètres, et d’effectuer bizarre tâches de nettoyage dans les maisons et les bureaux. À l’avenir, les chercheurs aimeraient perfectionner le système tel qu’il va savoir où accrocher à un objet sans intervention humaine.
Les chercheurs ont travaillé sur la vision par ordinateur pour la partie meilleure de quatre décennies, mais cette nouvelle approche, dans laquelle un réseau neuronal enseigne lui-même à comprendre la forme 3D d’un objet, semble particulièrement féconde. Parfois, la meilleure approche est de faire les machines à penser comme des humains.
[arXiv, MIT Nouvelles]