TossingBot :un bras robotique qui peut lancer 500 objets/heure dans des emplacements cibles

• Un nouveau robot apprend à ramasser et à lancer des objets arbitraires dans des emplacements spécifiques.
• Il utilise à la fois l'apprentissage en profondeur et la physique des projectiles pour lancer avec précision et rapidité des objets dans des environnements non structurés.
• En 14 heures d'entraînement, il a atteint une précision de lancer de 85 %, avec une fiabilité de saisie de 87 % dans l'encombrement.

Au cours de la dernière décennie, des progrès significatifs ont été réalisés pour rendre les robots plus intelligents afin d'effectuer des tâches spécifiques plus efficacement et d'apprendre des expériences du monde réel. Cependant, en ce qui concerne les compétences de base, telles qu'attraper, se balancer, tourner et lancer, les robots sont toujours loin derrière les humains.

Aujourd'hui, des chercheurs de Google, du MIT, de l'Université de Princeton et de l'Université de Columbia ont développé un nouveau bras robotique qui peut apprendre à ramasser et à lancer des objets arbitraires dans des emplacements spécifiques. Il utilise à la fois la physique et des méthodes d'apprentissage en profondeur pour lancer avec précision et rapidité des objets aléatoires dans des environnements non structurés.

Ils ont nommé ce robot TossingBot. Il peut atteindre une vitesse de prélèvement jusqu'à deux fois plus rapide que les robots précédents, avec une plage de placement efficace deux fois plus grande.

Défis impliqués

Lancer quelque chose n'est pas une tâche facile pour les robots. De nombreux facteurs sont impliqués, de la façon dont les objets de différentes formes sont captés aux propriétés physiques des objets comme la masse, l'aérodynamique et la friction.

Par exemple, si vous prenez un objet lourd et long par son bord et que vous le jetez, il atterrira plus loin que si vous l'aviez pris par le centre. Cependant, si vous ramassez un objet léger comme une balle de ping-pong, vous aurez besoin d'une grande force (due à la résistance de l'air) pour le lancer à la même distance.

Développer manuellement une technique qui contrôle explicitement tous ces paramètres pour chaque objet arbitraire est presque impossible. L'application d'une technique d'essais et d'erreurs n'est pas non plus une bonne idée car elle est à la fois coûteuse et chronophage.

Combiner l'apprentissage profond et la physique

Alors que l'apprentissage en profondeur peut aider le robot à apprendre de l'expérience au lieu de s'appuyer sur des mécanismes au cas par cas, lancer des objets précisément vers leur position cible nécessite une bonne compréhension de la physique des projectiles.

Référence :arXiv:1903.11239 | Blog de l'IA de Google

En intégrant ces deux fonctionnalités, les ingénieurs ont permis à TossingBot de s'entraîner rapidement et de se généraliser à de nouveaux scénarios. En utilisant certaines lois fondamentales de la physique des projectiles, le robot développe des contrôleurs initiaux, par exemple, il calcule la vitesse de lancement requise pour lancer un objet spécifique à une position cible.

Ensuite, les réseaux de neurones prédisent des ajustements en plus de ces calculs physiques, pour compenser les facteurs externes tels que la variabilité et le bruit dans le monde réel. Outre l'entraînement, le bras robotique s'appuie sur le GPU NVIDIA Titan pour reconstruire des scènes (capturées avec des caméras de profondeur RVB) en 3D en temps réel et agréger les données 3D lorsque le bras se déplace.

En 14 heures de temps d'entraînement, TossingBot a atteint une précision de lancer de 85 %, avec une fiabilité de saisie de 87 % dans l'encombrement. Il était capable de ramasser et de lancer plus de 500 objets arbitraires dans les boîtes placées en dehors de sa portée maximale.

Quelle est la prochaine étape ?

Bien que les résultats semblent assez impressionnants, le robot a ses défauts. Par exemple, cela suppose que les objets sont suffisamment solides pour résister aux collisions d'atterrissage. De plus, il évalue les variables de contrôle uniquement à partir d'informations visuelles.

Lire :Un nouveau système d'IA apprend au robot à apprendre directement des humains

Dans la prochaine étude, les chercheurs entraîneront leur système à attraper des objets de manière à amortir l'atterrissage. Ils prévoient également d'explorer des modalités de détection supplémentaires (telles que tactiles et force-couple) qui pourraient permettre au bras robotique de mieux adapter ses vitesses de lancement.