Menschen werden mit der Fähigkeit geboren, ihr Verhalten entsprechend den Objekten, die sie in ihren Händen halten, und den Aufgaben, die sie auszuführen versuchen, zu ändern. So können die Schüler beispielsweise lernen, beim Schneiden bestimmter Früchte oder Gemüse die äußere Haut vorsichtig zu entfernen oder härtere Teile wie Avocados oder Pfirsichkerne zu umschneiden.
Roboter müssen in der Lage sein, Dinge mit gemischten Materialzusammensetzungen oder Texturen effizient zu schneiden, um Menschen bei alltäglichen Aufgaben wie Kochen und Essenszubereitung zu unterstützen. Doch diese Fähigkeit auf Roboter zu übertragen, hat sich bisher als sehr schwierig erwiesen.
RoboNinja, ein auf maschinellem Lernen basierendes System, das kürzlich von Forschern der Columbia University, CMU, UC Berkeley und anderen amerikanischen Institutionen entwickelt wurde, kann es Robotern ermöglichen, Objekte aus mehreren Materialien zu schneiden, insbesondere weiche Dinge mit harten Kernen. Seine Artikel, die im ArXiv-Preprint-Service veröffentlicht wurden, können dazu beitragen, die Fähigkeiten von Robotern zu verbessern, die entwickelt wurden, um Menschen bei der Hausarbeit und den täglichen Kochaufgaben zu helfen.
Zhenjia Xu, Zhou Xian und Kollegen stellten in ihrem Artikel fest, dass RoboNinja darauf abzielt, den weichen Teil eines Objekts zu entfernen, während der harte Kern erhalten bleibt, wodurch die Effizienz maximiert wird, im Gegensatz zu früheren Studien, die offene Schneidaktionen zum Schneiden von Objekten aus einem Material (z als Gurken schneiden). Unser Ansatz verwendet dazu einen interaktiven Zustandsschätzer und eine adaptive Unterbrechungsrichtlinie, um die Wahrnehmungs-Aktions-Schleife zu schließen.
Mithilfe eines Computerprogramms konnten sie ein Computerprogramm erstellen, mit dem sie ein Computerprogramm erstellen konnten, das auf jedem Computer ausgeführt werden konnte. Die Ziele des Systems bestehen darin, so viel Zellstoff wie möglich zu extrahieren, gleichzeitig Kollisionen mit dem zentralen Saatgut zu reduzieren und so wenig Kraft wie möglich zu verwenden.
Schneideprozesse von Robotern und entwickelte Algorithmen
Laut dem Artikel von Xu, Xian und Kollegen verwendet das System spärliche Kollisionsinformationen, um wiederholt die Position und Geometrie des Kerns eines Objekts vorherzusagen, und generiert dann Unterbrechungsaktionen im geschlossenen Regelkreis basierend auf dem vorhergesagten Zustand und einem Toleranzwert. Gemäß der Aussage „ändert der Toleranzwert den Konservatismus der Richtlinie beim Treffen von Kollisionen, indem er einen adaptiven Sicherheitsabstand zum geschätzten Kernel einhält“.
Um ihr System zum Schneiden von Objekten aus mehreren Materialien zu evaluieren, entwickelten die Forscher eine Schneide-Simulationsumgebung, die für die Herausforderung, vor der sie standen, besser geeignet war. In dieser Umgebung kann ein Roboter Objekte aus einer Kombination aus harten und weichen Materialien auf verschiedene Arten schneiden.
Laut der Veröffentlichung von Xu, Xian et al. „sind derzeitige Simulatoren bei der Simulation von Produkten aus mehreren Materialien oder der Berechnung des Energieverbrauchs während des Schneidevorgangs begrenzt. Um dieses Problem anzugehen, erstellen wir einen differenzierbaren Schersimulator, der Multi-Material-Konnektivität unterstützt und die Erstellung von musteroptimierten Trajektorien für das Lernen von Richtlinien ermöglicht.
RoboNinja ermöglichte den Simulationen des Robotergreifers von Xu, Xian und Kollegen, eine erhebliche Menge an weichem Material aus Objekten zu extrahieren, während Kollisionen mit harten Teilen begrenzt und eine tolerierbare Menge an Energie verbraucht wurden. Um die Leistung des Frameworks in realen Szenarien und beim Schneiden von Objekten mit verschiedenen Kerngeometrien weiter zu validieren, testete das Team es dann an einem echten Robotergreifer.
In ihrem Bericht schrieben die Forscher, dass unsere Versuche die Verallgemeinerbarkeit unserer Strategie auf innovative Kerngeometrien und sogar auf echte Früchte demonstrierten. „Wir erwarten, dass die Ergebnisse unserer Experimente und der neu geschaffene Simulator die weitere Forschung zum Lernen von Robotern anregen, die Interaktionen mit Elementen aus mehreren Materialien beinhalten“, schreiben die Autoren.
Quelle: Techxplore
Günceleme: 14/03/2023 14:36