Una tecnica di deep learning per migliorare come i robot afferrano gli oggetti.

22 agosto 2023

feature

Questo articolo è stato revisionato secondo il processo editoriale e le politiche di Science X. Gli editor hanno evidenziato i seguenti attributi garantendone la credibilità:

• fact-checked
• preprint
• fonte affidabile
• corretto nella forma

di Ingrid Fadelli, Tech Xplore

La maggior parte degli adulti umani ha la capacità innata di raccogliere oggetti nel proprio ambiente e tenerli in modo da facilitarne l'uso. Ad esempio, quando si prende un utensile da cucina, di solito viene afferrato dal lato che non verrà inserito nella pentola o nella padella.

I robot, d'altra parte, devono essere addestrati su come afferrare e tenere gli oggetti nel migliore dei modi durante il completamento di diverse attività. Questo è spesso un processo complicato, dato che il robot potrebbe anche incontrare oggetti con cui non si è mai confrontato prima.

Il gruppo di ricerca Autonomous Intelligent Systems (AIS) dell'Università di Bonn ha recentemente sviluppato una nuova pipeline di apprendimento per migliorare la capacità di manipolazione di un braccio robotico in modo da supportare meglio il loro utilizzo pratico. Il loro approccio, presentato in un articolo pubblicato sul server di pre-stampa arXiv, potrebbe contribuire allo sviluppo di assistenti robotici in grado di affrontare compiti manuali in modo più efficace.

"Un oggetto è afferrato in modo funzionale se può essere utile, ad esempio: un dito indice sul grilletto di un trapano", ha detto Dmytro Pavlichenko, uno dei ricercatori che ha condotto lo studio, a Tech Xplore. "Un tale tipo di presa specifica potrebbe non essere sempre raggiungibile, rendendo necessaria la manipolazione. In questo articolo, affrontiamo la manipolazione pre-impugnatura abile con una mano antropomorfica."

L'articolo recente di Pavlichenko e del co-autore Sven Behnke si basa sugli sforzi di ricerca precedenti del gruppo AIS, in particolare un articolo presentato alla conferenza internazionale IEEE-RAS sui robot umanoidi nel 2019 a Toronto. Come parte di questo studio passato, il team ha sviluppato un approccio sofisticato per la riacquisizione a doppio braccio di oggetti che si basava su più componenti complesse progettate specificamente per le mani.

"La motivazione per il nostro nuovo articolo era quella di sostituire una pipeline così complessa con una rete neurale", ha spiegato Pavlichenko. "Questo riduce la complessità e rimuove le strategie di manipolazione codificate, aumentando la flessibilità dell'approccio."

L'approccio semplificato di manipolazione pre-impugnatura introdotto dai ricercatori nel loro nuovo articolo si basa sull'apprendimento con rinforzo profondo, una tecnica altamente performante e ben nota per addestrare gli algoritmi di intelligenza artificiale. Utilizzando questa tecnica, il team ha addestrato un modello per manovrare abilmente gli oggetti prima di afferrarli, assicurandosi che il robot li tenga in modo efficace, esattamente come richiesto.

"Il nostro modello apprende utilizzando una funzione di ricompensa densa a più componenti, che incentiva a portare un oggetto più vicino alla presa funzionale desiderata attraverso l'interazione tra il dito e l'oggetto", ha detto Pavlichenko. "Combinato con una simulazione basata su GPU come Isaac Gym, l'apprendimento può essere fatto rapidamente."

Fino ad ora, i ricercatori hanno valutato il loro approccio in un ambiente di simulazione noto come Isaac Gym e hanno ottenuto risultati molto promettenti. Nei loro test iniziali, il loro modello ha permesso ai robot simulati di imparare come muovere oggetti dalla forma distintiva nelle loro mani, scoprendo alla fine il modo migliore per manipolarli senza richiedere dimostrazioni umane.

È importante sottolineare che l'approccio di apprendimento proposto da Pavlichenko e da Behnke potrebbe essere facilmente applicato a una varietà di bracci e mani robotiche, supportando anche la manipolazione di numerosi oggetti con diverse forme. In futuro, potrebbe quindi essere utilizzato e testato su vari robot fisici.

"Abbiamo dimostrato che è possibile apprendere un comportamento dinamico complesso simile a quello umano utilizzando un singolo computer con diverse ore di tempo di addestramento", ha detto Pavlichenko. "I nostri piani per future ricerche prevedono di portare il modello appreso nel mondo reale, ottenendo una performance simile su un robot reale. Questo di solito è molto impegnativo, quindi ci aspettiamo che sia necessario un passaggio di apprendimento aggiuntivo, ora online sul robot reale, per ridurre la differenza tra la simulazione e la realtà."

© 2023 Science X Network