Als je naar deze pick-and-place-robot kijkt, zie je meteen waarom het een groot probleem is - niet zozeer voor behendigheid en fijne bewegingen, hoewel de robot in beide scoort, maar gewoon omdat het zo slim is.

Het is vrij duidelijk uit de nieuwsberichten die uit universitaire laboratoria stromen dat robotarmen en -handen die zijn ontworpen om te plukken en te sorteren een veel voorkomend onderwerp zijn; ambitieuze onderzoekers proberen hoger te scoren op efficiënte oplossingen.

Zoals MIT CSAIL het uitdrukte, "voor alle vooruitgang die we hebben geboekt met robots, ze hebben nog nauwelijks de vaardigheden van een tweejarige. Fabrieksrobots kunnen hetzelfde object keer op keer oppakken, en sommigen kunnen zelfs een aantal fundamentele onderscheidingen maken tussen objecten, maar ze hebben over het algemeen moeite met het begrijpen van een breed scala aan objectvormen en -afmetingen, of in staat zijn om genoemde objecten in verschillende poses of locaties te verplaatsen."

De buzz van deze week gaat helemaal over deze robot, met zijn kenmerkende "keypoints" -stijl voor het bereiken van een meer geavanceerd coördinatieniveau. Ze hebben een nieuwe manier onderzocht om te identificeren en te verplaatsen hele lessen van objecten, ze vertegenwoordigen als groepen van 3D-sleutelpunten.

De monteur citeerde MIT-professor Russ Tedrake, senior auteur van het artikel waarin hun werk wordt beschreven en hoger op arXiv. "Robots kunnen bijna alles oppikken, maar als het een object is dat ze nog niet eerder hebben gezien, ze kunnen het eigenlijk niet op een zinvolle manier neerleggen."

De monteur knipoogde naar een aanpak die klonk als "een soort visuele routekaart die meer genuanceerde manipulatie mogelijk maakt".

U kunt de robot in actie zien in een kPAM-previewvideo, "Nauwkeurige robotmanipulatie met nooit eerder geziene objecten." Wat is kpam? Dat staat voor Keypoint Affordances for Robotic Level Manipulation. De robot krijgt alle informatie die hij nodig heeft om op te pikken, objecten verplaatsen en plaatsen.

"Een klein beetje meer over het object begrijpen - de locatie van een paar belangrijke punten - is voldoende om een ​​breed scala aan nuttige manipulatietaken mogelijk te maken, ", zei MIT-professor Russ Tedrake.

Een paper waarin hun werk wordt beschreven, die op arXiv staat, is getiteld "kPAM:KeyPoint Affordances for Category-Level Robotic Manipulation, " door Lucas Manuelli, Wei Gao, Peter Florence en Russ Tedrake. Ze zijn verbonden aan CSAIL (Computer Science and Artificial Intelligence Laboratory) van het Massachusetts Institute of Technology.

Dit is wat de auteurs van het artikel te zeggen hadden over hoe hun aanpak een stap is buiten de bestaande 'manipulatiepijplijnen'. De laatste specificeert meestal de gewenste configuratie als een 6-DOF-doelstelling, die zijn beperkingen heeft. Het vertegenwoordigen van een object "met een geparametriseerde transformatie gedefinieerd op een vast sjabloon kan geen grote vormvariatie binnen een categorie vastleggen, en het specificeren van een doelhouding op categorieniveau kan fysiek onhaalbaar zijn of de taak niet volbrengen."

Het kennen van de pose en grootte van een koffiemok ten opzichte van een canonieke mok is oké, maar het is niet voldoende om het aan het handvat op een rek te hangen. Hun aanpak maakt gebruik van "semantische 3D-sleutelpunten als objectrepresentatie." Wat waren de resultaten van hun verkenning? Hun methode was in staat om "grote variaties binnen een categorie aan te kunnen zonder enige instantie-gewijze afstemming of specificatie."

Het team meldde dat "Uitgebreide hardware-experimenten aantonen dat onze methode op betrouwbare wijze taken kan uitvoeren met nooit eerder vertoonde objecten in een categorie, zoals het plaatsen van schoenen en mokken met aanzienlijke vormvariaties in doelconfiguraties op categorieniveau."

© 2019 Wetenschap X Netwerk