In een stap naar thuishulprobots die snel door onvoorspelbare en ongeordende ruimtes kunnen navigeren, Onderzoekers van de Universiteit van Michigan hebben een algoritme ontwikkeld waarmee machines hun omgeving ordes van grootte sneller kunnen waarnemen dan vergelijkbare eerdere benaderingen.

"Robotperceptie is een van de grootste knelpunten bij het leveren van capabele ondersteunende robots die bij mensen thuis kunnen worden ingezet, " zei Karthik Desingh, een afgestudeerde student in computerwetenschappen en techniek en hoofdauteur van een paper over het werk gepubliceerd in Wetenschap Robotica .

"In industriële omgevingen, waar structuur is, robots kunnen taken zoals het bouwen van auto's heel snel voltooien. Maar we leven in ongestructureerde omgevingen, en we willen dat robots in staat zijn om met onze rommel om te gaan."

historisch, robots werken het meest effectief in gestructureerde omgevingen, achter vangrails of kooien om mensen veilig te houden en de werkruimte van de robot schoon en ordelijk te houden. Echter, een menselijke omgeving, op het werk of thuis, is typisch een wirwar van objecten in verschillende toestanden:papieren over een toetsenbord, een zak met autosleutels, of een schort die halfopen kasten verbergt.

Het nieuwe algoritme van het team heet Pull Message Passing for Nonparametric Belief Propagation. In 10 minuten kan het een nauwkeurig begrip van de houding van een object - of positie en oriëntatie - berekenen tot een nauwkeurigheidsniveau dat eerdere benaderingen meer dan anderhalf uur kostte.

Het team demonstreerde dit met een Fetch-robot. Ze toonden aan dat hun algoritme een set laden correct kan waarnemen en gebruiken, zelfs als ze half bedekt zijn met een deken, wanneer een lade halfopen is, of wanneer de arm van de robot zelf een volledig sensorbeeld van de laden verbergt. Het algoritme kan ook verder schalen dan een eenvoudig dressoir naar een object met meerdere gecompliceerde verbindingen. Ze toonden aan dat de robot zijn eigen lichaam en grijparm nauwkeurig kan waarnemen.

"De concepten achter ons algoritme, zoals niet-parametrische geloofspropagatie, worden al gebruikt in computervisie en presteren zeer goed bij het vastleggen van de onzekerheden van onze wereld. Maar deze modellen hebben een beperkte impact gehad in de robotica, omdat ze rekenkundig erg duur zijn, meer tijd dan praktisch nodig heeft voor een interactieve robot om te helpen bij dagelijkse taken, " zei Chad Jenkins, een professor in computerwetenschappen en techniek en een kernfaculteitslid aan het Michigan Robotics Institute.

Eerdere technieken vertrouwden op 'push messaging'

De Nonparametric Belief Propagation-techniek werd samen met de vergelijkbare Particle Message Passing-techniek voor het eerst gepubliceerd in 2003. Ze zijn effectief in computervisie, die probeert een grondig begrip van een scène te krijgen door middel van afbeeldingen en video. Dat komt omdat tweedimensionale afbeeldingen of video minder rekenkracht en tijd nodig hebben dan de driedimensionale scènes die betrokken zijn bij robotperceptie.

Deze eerdere benaderingen begrijpen een scène door deze te vertalen in een grafiekmodel van knooppunten en randen, die elk onderdeel van een object en hun onderlinge relaties vertegenwoordigen. De algoritmen veronderstellen dan - of creëren overtuigingen van - componentlocaties en oriëntaties wanneer ze een reeks beperkingen krijgen. Deze overtuigingen, die de onderzoekers deeltjes noemen, variëren over een reeks van kansen.

Om de meest waarschijnlijke locaties en oriëntaties te verfijnen, de componenten gebruiken "push messaging" om waarschijnlijke locatie-informatie over knooppunten en terug te sturen. Die locatie-informatie wordt vervolgens vergeleken met sensordata. Dit proces duurt verschillende iteraties om uiteindelijk tot een nauwkeurige overtuiging van een scène te komen.

Bijvoorbeeld, een dressoir met drie laden gegeven, elk onderdeel van het object - in dit geval elke lade en het dressoir zelf - zou een knoop zijn. Beperkingen zouden zijn dat de laden zich in het dressoir moeten bevinden, en de laden bewegen zijdelings maar niet verticaal.

De informatie, gepasseerd tussen de knooppunten, wordt vergeleken met echte waarnemingen van sensoren, zoals een 2D-afbeelding en een 3D-puntenwolk. De berichten worden door iteraties herhaald totdat er overeenstemming is tussen de overtuigingen en sensorgegevens.

De nieuwe algoritmen verschuiven naar "pull messaging"

Om de eisen aan computers te vereenvoudigen, Desingh en het Michigan-team gebruikten wat 'pull-messaging' wordt genoemd. Hun aanpak verandert de kakofonie van heen en weer, informatie-dichte berichten in een beknopt gesprek tussen de componenten van een object.

In dit voorbeeld, in plaats van dat het dressoir locatie-informatie naar een lade stuurt nadat de informatie uit de andere lades is berekend, het dressoir controleert eerst bij de lades. Het vraagt ​​elke lade om zijn eigen overtuiging van zijn locatie, dan, voor nauwkeurigheid, weegt die overtuiging af tegen informatie uit de andere laden. Het convergeert naar een nauwkeurig begrip van een scène door middel van iteraties, net als de push-benadering.

Om hun nieuwe aanpak direct te vergelijken met eerdere benaderingen, ze testten het op een eenvoudige 2D-scène van een cirkel met vier rechthoekige armen verborgen tussen een patroon van vergelijkbare cirkels en rechthoeken.

De vorige benaderingen vereisten meer dan 20 minuten verwerkingstijd per iteratie om berichten door te geven, terwijl de nieuwe methode van het team minder dan twee minuten duurde, en naarmate het aantal overtuigingen of deeltjes toenam, deze verbetering wordt exponentieel sneller.

In deze proeven, het duurde vijf iteraties met hun nieuwe algoritme om een ​​gemiddelde fout van minder dan 3,5 inch te bereiken in de locatieschatting van de laden en het dressoir, of minder dan 8-inch gemiddelde fout in locatieschatting wanneer het dressoir gedeeltelijk wordt verduisterd door een deken.

Dit is vergelijkbaar met eerdere benaderingen, en varieert afhankelijk van de grootte van een object, aantal onderdelen, en hoeveel zichtbaar is voor sensoren. Meest belangrijk, de nauwkeurigheid neemt voldoende toe voor succesvolle manipulatie van objecten door een robot door voortdurende iteraties.

"Dit is nog maar het begin van wat we kunnen doen met de verspreiding van geloof in robotperceptie, "Desingh zei. "We willen ons werk opschalen naar meerdere objecten en ze volgen tijdens de uitvoering van acties, en zelfs als de robot momenteel niet naar een object kijkt. Vervolgens, de robot kan dit vermogen gebruiken om de wereld voortdurend te observeren voor doelgerichte manipulatie en het succesvol voltooien van taken."