Onderzoekers over de hele wereld trainen nu robotagenten om mensen te helpen bij verschillende handmatige taken, inclusief koken en bewegende objecten. Hoewel veel van deze robots veelbelovende resultaten hebben bereikt, de meesten van hen zijn nog steeds niet in staat om de hun toegewezen taken zo snel te voltooien als een mens zou doen.

Bijvoorbeeld, de meeste robots die zijn getraind om objecten op te halen en naar mensen te dragen, zijn nogal traag in het voldoen aan gebruikersverzoeken, waardoor ze moeilijk op grote schaal kunnen worden ingezet. Dit komt vooral omdat het trainen van kunstmatige agenten op manipulatietaken erg uitdagend kan zijn, aangezien deze taken vaak zowel perceptie als planning inhouden, die samen botsingen kunnen voorkomen terwijl de robot in zijn omgeving beweegt.

Onderzoekers van het Korea Advanced Institute of Science and Technology (KAIST) hebben onlangs M-Hubo opgericht, een humanoïde robot op wielen die eenvoudige dagelijkse taken sneller voltooit dan andere eerder ontwikkelde robots. De nieuwe robot, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, kan bijzonder nuttig zijn bij het helpen van ouderen en personen die het moeilijk vinden om door het huis te lopen of om basisklusjes zelfstandig uit te voeren.

“We ontwikkelden een nieuwe, volledig autonoom robotbutlersysteem voor een humanoïde op wielen, " schreven de onderzoekers in hun paper. "In dit werk, we richten ons op één specifieke toepassing voor de servicerobot:het halen en serveren van drankjes met vergelijkbare mensachtige snelheden in een statische binnenomgeving."

Om een ​​bepaald object met succes op te halen en aan een menselijke gebruiker te geven, servicerobots moeten eerst realtime kunnen voelen wat er in hun omgeving gebeurt, het genereren van bewegingstrajecten die botsingen met nabije objecten voorkomen. Dit kan heel moeilijk zijn om te bereiken, vooral in situaties waarin de omgeving dynamisch is (bijv. continu verandert) of wanneer de structuur ervan onbekend is voor de robot.

Om deze uitdaging aan te gaan, de onderzoeksgroep van KAIST ontwikkelde een nieuwe ontwerpstrategie die de integratie van een 3D-objectdetectiepijplijn met een kinematisch optimale manipulatieplanner met zich meebrengt. Deze unieke strategie bleek de hoeveelheid tijd die de M-Hubo-robot nodig heeft om een ​​drankje voor een menselijke gebruiker te halen, te verminderen, het verhogen van de snelheid waarmee het informatie over zijn omgeving en geplande trajecten verwerkt.

"Het voorgestelde systeem presteerde met 24 procent van de snelheid die een mens nodig heeft om dezelfde taak uit te voeren, " schreven de onderzoekers in hun paper. "Het systeem vertoonde een hoog slagingspercentage van 90 procent in onze omgeving, maar weerspiegelde een verminderde prestatie van 80 procent slagingspercentage in een meer dynamische openbare tentoonstelling als gevolg van omgevingsvariaties tijdens runtime."

De onderzoekers van KAIST hebben onlangs hun robotbutlersysteem geëvalueerd en tentoongesteld op een openbare tentoonstelling. In de toekomst, de ontwerpstrategie die de kern vormt van M-Hubo zou kunnen bijdragen aan de ontwikkeling van nieuwe servicerobots die eenvoudige taken sneller en efficiënter kunnen uitvoeren. In aanvulling, als het eenmaal geperfectioneerd is, M-Hubo zou een bijzonder nuttig instrument kunnen blijken te zijn voor het verlenen van basishulp aan ouderen, evenals andere personen met beperkte mobiliteit.

In hun volgende studies, de onderzoekers willen graag een lokalisatiecomponent aan de robot toevoegen, omdat dit het mogelijk zou maken om objecten snel op te halen, zowel in statische als dynamische omgevingen. Om dit te bereiken, ze zouden de robot moeten uitrusten met een tool voor dynamische padplanning en een taakplanner op hoog niveau, ter vervanging van de eenvoudige eindige-toestandsmachine (FSM) die ze in de demoversie van M-Hubo gebruikten.

"In aanvulling, leerstrategieën kunnen in de toekomst worden gebruikt om mislukkingen te verminderen, onzekerheden, en onveilige staten, om uiteindelijk het slagingspercentage te verhogen, " schreven de onderzoekers. "Ten slotte, de algehele uitvoeringstijd kan zelfs in dynamische omgevingen verder worden verminderd door snellere bewegingsplanners voor bemonstering op te nemen."

© 2020 Wetenschap X Netwerk