Американські інженери розробили алгоритм для маніпуляторів, що дозволяє їм навчатися хапати банани та інші предмети, і кидати їх у задану точку. Під час роботи алгоритм розраховує параметри кидка з допомогою фізичного симулятора, а також нейромережі, яка вносить свої корективи, розповідають автори в блозі Google. Стаття з описом розробки опублікована на сайті Прінстонського університету, інформує Ukr.Media.
Захоплення предметів – одна з найбільш швидко розвиваючих галузей робототехніки, напрацювання з якої можна застосовувати у роботах, які сортують товар, а також інших пристроях. Зазвичай після захоплення роботи акуратно перекладають предмет на інше місце. Однак це обмежує область їх роботи завдовжки маніпулятора. Розширити область можна за допомогою кидка, проте це набагато складніше завдання, що вимагає від робота розуміння механіки польоту після прискорення. Крім того, завдання ускладнюється тим, що на політ і місце приземлення предмета впливають не тільки параметри кидка, але і параметри самого предмета, які часто складно виміряти, такі як розташування центру мас.
Інженери під керівництвом Томаса Фанкхауса (Thomas Funkhouse) з Google і Прінстонського університету розробили алгоритм, що дозволяє роботам захоплювати і кидати довільні предмети в задану точку. Розробники обрали незвичний підхід і вирішили об’єднати захоплення і кидок в єдину задачу, тому що це тісно пов’язані між собою проблеми.
Під час роботи алгоритм отримує в якості вихідних даних знімок з камери глибини, розташованої над корзиною з предметами. На цьому знімку містяться дані як про колір, так і про глибину (відстань). Отримавши ці дані, алгоритм обробляє знімок за допомогою нейромережі. Паралельно з цим фізична симуляція дозволяє приблизно розрахувати швидкість, за якої робот повинен відпустити предмет, щоб він потрапив в потрібний кошик. Ці дані об’єднуються і подаються на дві інші нейромережі, які розраховують ймовірності успіху для різних захоплень і швидкості відпускання. Алгоритм повторює ці дії, повертаючи вихідний знімок на 16 кутів. В результаті робот виконує таке захоплення і відповідне йому прискорення, для якого була розрахована максимальна ймовірність успішного виконання.
Інженери створили самонавчальну систему, яка дає роботу завдання, а потім стежить за успішністю виконання. Після того, як робот розкидав предмети із загальної корзини по дрібних кошиках, він може підняти раму і всі об’єкти скотяться назад. Таким чином робот навчився кидати незнайомі йому предмети в потрібні відсіки кошика з точністю 82,3 відсотка. На навчання у робота пішло близько десяти тисяч спроб.
Нещодавно в Японії пройшов конкурс ROBOCON, в якому змагалися розробники роботів, які кидають пляшки, частково заповнені водою. Як і у відомому челленджері, завдання роботів полягало в тому, щоб після приземлення пляшка приземлилася на плоску поверхню вниз дном і не впала.
