Het systeem, genaamd Dex-Net 2.0, is ontwikkeld door onderzoekers van de University of California, Berkeley. Het maakt gebruik van een deep learning-algoritme om van zijn fouten te leren en zijn grijpvaardigheden in de loop van de tijd te verbeteren.

In tests kon Dex-Net 2.0 met succes objecten van verschillende vormen en maten vastpakken, waaronder een tandenborstel, een speelgoedauto en een kopje koffie. Het systeem kon zich ook aanpassen aan verschillende soorten oppervlakken, zoals een tafel, een aanrechtblad en een autostoeltje.

“Dex-Net 2.0 is een aanzienlijke verbetering ten opzichte van ons vorige systeem”, zegt co-auteur Pieter Abbeel van de University of California, Berkeley. “Hij kan veel sneller en efficiënter leren van zijn fouten, en kan nu objecten vastpakken die qua vorm en grootte behoorlijk van elkaar verschillen.”

De onderzoekers zijn van mening dat Dex-Net 2.0 kan worden gebruikt om nieuwe robotsystemen te ontwikkelen die een verscheidenheid aan taken kunnen uitvoeren, zoals het oppakken van objecten, het schoonmaken van een huis of het in elkaar zetten van meubels.

Een artikel waarin het nieuwe systeem wordt beschreven, werd gepubliceerd in het tijdschrift Science Robotics.

Hoe Dex-Net 2.0 leert

Dex-Net 2.0 maakt gebruik van een diepgaand leeralgoritme, versterkingsleren genaamd, om te leren hoe je objecten kunt vastpakken. Reinforcement learning is een vorm van machinaal leren waarmee een systeem van zijn fouten kan leren door het te belonen voor goed gedrag en te straffen voor slecht gedrag.

In het geval van Dex-Net 2.0 wordt het systeem beloond als het met succes een object vastpakt en gestraft als het niet lukt. Het systeem gebruikt deze feedback om zijn gedrag in de loop van de tijd aan te passen, totdat het in staat is objecten consistent te begrijpen.

Toepassingen van Dex-Net 2.0

De onderzoekers zijn van mening dat Dex-Net 2.0 kan worden gebruikt om nieuwe robotsystemen te ontwikkelen die een verscheidenheid aan taken kunnen uitvoeren, zoals:

* Voorwerpen oppakken: Dex-Net 2.0 zou kunnen worden gebruikt om robotsystemen te ontwikkelen die objecten van verschillende vormen en maten kunnen oppakken, zoals boodschappen, gereedschap of speelgoed.

* Een huis schoonmaken: Dex-Net 2.0 zou kunnen worden gebruikt om robotsystemen te ontwikkelen die een huis kunnen schoonmaken, bijvoorbeeld door stofzuigen, afstoffen en dweilen.

* Meubels monteren: Dex-Net 2.0 zou kunnen worden gebruikt om robotsystemen te ontwikkelen die meubels in elkaar kunnen zetten, bijvoorbeeld door schroeven, moeren en bouten te bevestigen.

De onderzoekers onderzoeken momenteel deze en andere toepassingen van Dex-Net 2.0. Ze geloven dat het systeem het potentieel heeft om een ​​revolutie teweeg te brengen in de manier waarop robots omgaan met de fysieke wereld.