En güçlü manipülatör: nesneyi önceden bilmeye gerek yok,% 100 tanıma, çeşitli yapılandırılmamış sahneler için uygun
Xinzhiyuan Derlemesi
Kaynak: MIT
Derleme: Craig
Xin Zhiyuan Rehberi Son zamanlarda, MIT ve Princeton Üniversitesi'nden araştırmacılar tarafından "seç ve yerleştir" adlı bir sistem geliştirildi. "Al ve yerleştir" sistemi standart bir endüstriyel robot kolundan oluşur ve araştırmacılar özel bir tutucu ve vantuz ile donatılmıştır. Robotun bir grup rastgele nesneyi değerlendirmesine ve enkazdaki öğeleri toplamadan önce anlamak zorunda kalmadan en iyi şekilde yakalamanın veya adsorbe etmenin en iyi yolunu belirlemesi için algoritmalar kullanırlar.
Yiyecekleri paketinden çıkarmak basit ve monoton bir iştir: Bir çantaya uzanıyorsunuz, eşyalara dokunuyorsunuz, ardından içindekileri çıkarıyorsunuz, bir göz atıyorsunuz ve sonra nerede saklayacağınıza karar veriyorsunuz.
Şimdi, bu tekrarlayan iş bir robotla değiştirilmeli.
Yakın zamanda, Massachusetts Teknoloji Enstitüsü ve Princeton Üniversitesi'nden mühendisler, seçim ve sıralama görevlerine yardımcı olabilecek bir robotik sistem geliştirdiler; bu, depo ürün organizasyonundan afet bölgelerinde enkazın temizlenmesine kadar çeşitli görevlerde faydalı olacak. .
İşte bu manipülatörün tanıtımı
Ekip tarafından geliştirilen "al ve yerleştir" sistemi standart bir endüstriyel robot kolundan oluşuyor ve araştırmacılar özel bir kavrayıcı ve vantuz ile donatılmış. "Nesneden bağımsız" bir kapma algoritması geliştirdiler, Robotun bir grup rastgele nesneyi değerlendirmesine ve nesneleri kaldırmadan önce bilmesine gerek kalmadan enkazdaki öğeleri yakalamanın veya toplamanın en iyi yolunu belirlemesine olanak tanır.
Robot, bir öğeyi başarıyla aldığında, onu kutudan çıkarır. Daha sonra bir grup kamera, nesnenin farklı açılardan görüntülerini alır ve yeni bir görüntü eşleştirme algoritması yardımıyla robot, yakalanan nesnenin görüntüsünü görüntü kitaplığıyla karşılaştırarak en yakın eşleşmeyi bulabilir. Bu şekilde robot nesneyi tanır ve ardından ayrı bir kutuda saklar.
Genel olarak konuşursak, robotlar, diğer alma ve yerleştirme teknolojileriyle karşılaştırıldığında etkili bir sıra olan "önce yakala ve sonra kavra" iş akışını izler.
MIT Walter Henry Gale kariyer geliştirme profesörü Alberto Rodriguez, "Bu, depoda sıralama yapmak veya mutfak dolaplarınızdaki öğeleri toplamak veya bir kazadan sonra kalıntıları çıkarmak için uygulanabilir. Bu alma ve yerleştirme sistemi birçok durumun üstesinden gelebilir." .
Rodriguez ve MIT ve Princeton Üniversitesi'ndeki meslektaşları, Mayıs ayında IEEE'de sistemlerini detaylandıran bir makale yayınlayacaklar.
Başarı ve başarısızlık vakalarını içeren bir veritabanı oluşturun ve bunu derin bir sinir ağına entegre edin
Mevcut sistemler genellikle yalnızca sıkı bir şekilde kontrol edilen bir ortamda çalışır, ancak "seç ve yerleştir" teknolojisi bu kısıtlamadan kurtulur ve birçok kullanıma sahip olabilir.
Günümüzde çoğu endüstriyel manipülatör, her zaman aynı, dikkatlice kalibre edilmiş yönü kullanarak, otomobil parçalarını montaj hattından kapmak gibi belirli bir tekrarlayan görev için tasarlanmıştır. Ancak Rodriguez, robotu daha esnek, uyarlanabilir ve daha akıllı bir toplayıcıya dönüştürmek için çok çalışıyor. Perakende depolar gibi yapılandırılmamış kurulum senaryoları için uygun olacaktır. Bu durumda, manipülatör her zaman karşılaşabilir ve yüzlerce, hatta binlerce kaotik yeni nesne düzenlemelidir.
Ekibin tasarımı iki genel işleme dayanmaktadır: 1. Seçim - nesneleri başarıyla kapma davranışı. 2. Algı - nesneleri tanıma ve sınıflandırma yeteneği.
Araştırmacılar, makine manipülatörünü şu dört ana kavrama davranışından herhangi birini kullanarak dağınık çöp kutularından yeni nesneler seçmesi için eğitti: dikey olarak veya yandan nesneye; bir arcade oyununda bir tutucu gibi dikey kavrama Nesneler veya duvara paralel bir nesneyi dikey olarak kenetleyin ve ardından nesne ile duvar arasında kaymak için bir kürek kullanın.
Rodriguez ve ekibi robot tarafından toplanan görüntüleri gösterdi. Bu görüntüler düzensiz ve düzensiz. Daha sonra robota hangi nesnelerin kavranabildiğini ve dört ana kavrama davranışı olduğunu gösterdiler ve her kavrama eylemini şu şekilde etiketlediler: Başarı veya başarısızlık ve son olarak, araştırmacılar başarı ve başarısızlığı seçen vakaların bir veri tabanını oluşturdu. Ve bu kitaplığı bir "derin sinir ağında" birleştirin, böylece robot başarı ve başarısızlık kitaplığını temel alabilir, Mevcut problemlerini geçmişteki başarılı sonuçlarla eşleştirin.
Rodriguez, "Eşyalarla dolu bir çantaya bakarak, robotun hangisinin taranabilir veya içilebilir olduğunu ve bu sürünme davranışlarının hangi konfigürasyonunun başarılı olabileceğini tahmin edebildiği bir sistem geliştirdik." Dedi. "Kavrayıcıya girdiğinde, nesnenin herhangi bir kafa karışıklığı olmadan tanınması daha kolaydır."
Pikselden etikete: Yeni nesneleri% 100 doğrulukla tanımlayın
Araştırmacılar, benzer şekilde, robotların nesneleri başarılı bir şekilde kavradıktan sonra tanımalarını ve sınıflandırmalarını sağlayan bir algılama sistemi geliştirdiler.
Önce çevrimiçi kaynaklardan (perakendeci web siteleri gibi) elde edilen bir ürün görsel kitaplığı geliştirirler, ardından her bir görüntüyü doğru logo ile işaretler ve ardından belirli bir görüntüdeki pikselleri belirli bir nesnenin doğruluğu ile karşılaştırmak için başka bir öğrenme algoritması geliştirirler. Etiket ilişkilidir.
"Robotlara bir şeyleri karşılaştırmayı öğretiyoruz. İnsanlar için tanıması kolay olabilir, ancak gerçekte pikseller olarak robotlar önemli ölçüde farklı görünebilir." Rodriguez, "Bu algoritmanın bu eğitim örnekleri için uygun olduğundan emin oluyoruz. Umarım biz Ona yeni bir nesne verdiğimizde doğru etiketi tahmin etmesi için yeterli eğitim örnekleri verildi. "
Ekip geçen yıl Temmuz ayında 2 tonluk robotu Japonya'ya göndererek bir ay sonra Amazon Robotics Challenge'a katıldı. Son olarak, ekip tarafından geliştirilen manipülatör emiş kullanıyor Nesneleri alırken başarı oranı% 54, kapma kullanırken başarı oranı% 75'tir ve yeni nesneler% 100 doğrulukla tanımlanabilir. Robot ayrıca 20 nesnenin tümünü belirtilen süre içinde sakladı.
Rodriguez ayrıca kısa süre önce Amazon Araştırma Ödülü'nü kazandı ve "seç ve yerleştir" sisteminin teknolojisini, özellikle de hızını ve yanıt verme hızını daha da geliştirmek için Amazon ile birlikte çalışacak.
"Yapılandırılmamış bir ortamda tarama yapmak, belirli bir düzeyde tepkiselliği artırmadığınız sürece güvenilmezdir." Rodriguez, insanlar tarandığında, öğelerde küçük ayarlamalar yaptığımızı söyledi. Bu tür ayarlamaları nasıl yapacağınızı öğrenin, bence anahtar teknolojilerden biri.
Şu anda ekip bu hedefe ulaşmak için bazı adımlar attı. Robotun kavrayıcısına dokunsal sensörler eklediler ve sistemi yeni bir eğitim sistemiyle çalıştırdılar.
Rodriguez, "Manipülatörün artık dokunsal sensörleri var ve robotun tüm gün boyunca bir yerden diğerine sürekli olarak bir şeyler topladığı bir sistemi etkinleştirdik." Dedi.
bağlantı:
