Dando aos robôs uma compreensão mais rápida

É possível que os robôs realmente tenham mais compreensão?

Se você estiver em uma mesa com uma caneta ou lápis à mão, tente o seguinte: segure a caneta em uma extremidade com o polegar e o indicador e empurre a outra extremidade contra a mesa. Deslize os dedos para baixo da caneta e vire-a de cabeça para baixo, sem deixá-la cair. Não é muito difícil, certo? Mas, para um robô – digamos, um que está examinando uma pilha de objetos e tentando entender bem um deles – essa é uma manobra de tributação computacional. Antes mesmo de tentar a jogada, ele deve calcular uma litania de propriedades e probabilidades, como o atrito e a geometria da mesa, a caneta e seus dois dedos, e como várias combinações dessas propriedades interagem mecanicamente, com base nas leis fundamentais da física. Agora, os engenheiros do MIT encontraram uma maneira de acelerar significativamente o processo de planejamento necessário para um robô ajustar seu alcance em um objeto, empurrando-o contra uma superfície estacionária. Enquanto os algoritmos tradicionais exigiriam dezenas de minutos para planejar uma sequência de movimentos, a abordagem da nova equipe reduz esse processo de pré-planejamento para menos de um segundo. Alberto Rodriguez, professor associado de engenharia mecânica do MIT, diz que o processo mais rápido de planejamento permitirá que os robôs, especialmente em ambientes industriais, descubram rapidamente como pressionar, deslizar ou usar recursos em seus ambientes para reposicionar objetos ao seu alcance. Essa manipulação ágil é útil para qualquer tarefa que envolva seleção e classificação e até mesmo o uso intrincado da ferramenta. Essa é uma maneira de estender a destreza de até garras robóticas simples, porque no final do dia, o ambiente é algo que todo robô tem em volta”, diz Rodriguez. Os resultados da equipe foram publicados hoje no The International Journal of Robotics Research. Os co-autores de Rodriguez são o principal autor Nikhil Chavan-Dafle, estudante de engenharia mecânica, e Rachel Holladay, estudante de engenharia elétrica e ciência da computação. O grupo de Rodriguez trabalha para permitir que os robôs aproveitem seu ambiente para ajudá-los a realizar tarefas físicas, como escolher e classificar objetos em uma lixeira. Os algoritmos existentes geralmente levam horas para planejar uma sequência de movimentos de uma pinça robótica, principalmente porque, para cada movimento que ele considera, o algoritmo deve primeiro calcular se esse movimento satisfaria várias leis físicas, como as leis de movimento de Newton e as de Coulomb. lei que descreve forças de atrito entre objetos. É um processo computacional tedioso para integrar todas essas leis, considerar todos os movimentos possíveis que o robô pode fazer e escolher um movimento útil entre eles”, diz Rodriguez. Ele e seus colegas encontraram uma maneira compacta de resolver a física dessas manipulações, antes de decidir como a mão do robô deveria se mover. Eles o fizeram usando “cones de movimento”, que são essencialmente mapas visuais de atrito em forma de cone. A parte interna do cone mostra todos os movimentos de empurrar que podem ser aplicados a um objeto em um local específico, satisfazendo as leis fundamentais da física e permitindo que o robô mantenha o objeto.

Leia também:  Plataforma para testes escaláveis ​​de segurança de veículos autônomos

O espaço fora do cone representa todos os impulsos que, de alguma forma, levariam um objeto a escapar do alcance do robô.

“Variações aparentemente simples, como o quão difícil o robô agarra o objeto, podem alterar significativamente a maneira como o objeto se move ao seu alcance quando pressionado”, explica Holladay. “Com base no quão difícil você está entendendo, haverá um movimento diferente. E isso faz parte do raciocínio físico que o algoritmo lida. O algoritmo da equipe calcula um cone de movimento para diferentes configurações possíveis entre uma garra robótica, um objeto que está segurando e o ambiente contra o qual está empurrando, a fim de selecionar e sequenciar diferentes impulsos viáveis ​​para reposicionar o objeto. É um processo complicado, mas ainda muito mais rápido que o método tradicional – rápido o suficiente para planejar uma série inteira de pressões que leva meio segundo”, diz Holladay. Os pesquisadores testaram o novo algoritmo em uma configuração física com uma interação de três vias, na qual uma pinça robótica simples estava segurando um bloco em forma de T e pressionando uma barra vertical. Eles usaram várias configurações de partida, com o robô segurando o bloco em uma posição específica e empurrando-o contra a barra de um certo ângulo. Para cada configuração inicial, o algoritmo gerou instantaneamente o mapa de todas as forças possíveis que o robô poderia aplicar e a posição do bloco que resultaria. Fizemos vários milhares de empurrões para verificar se nosso modelo prediz corretamente o que acontece no mundo real”, diz Holladay. “Se aplicarmos um empurrão que está dentro do cone, o objeto agarrado deve permanecer sob controle. Se estiver do lado de fora, o objeto deve escapar das garras. Os pesquisadores descobriram que as previsões do algoritmo correspondiam de maneira confiável ao resultado físico no laboratório, planejando sequências de movimentos – como reorientar o bloco contra a barra antes de colocá-lo em uma mesa na posição vertical – em menos de um segundo, comparado com algoritmos tradicionais que levam mais de 500 segundos para planejar. Como temos essa representação compacta da mecânica dessa interação de três vias entre robô, objeto e seu ambiente, agora podemos atacar maiores problemas de planejamento”, diz Rodriguez. O grupo espera aplicar e estender sua abordagem para permitir que uma pinça robótica manipule diferentes tipos de ferramentas, por exemplo, em um ambiente de fabricação. A maioria dos robôs de fábrica que usam ferramentas tem uma mão especialmente projetada; portanto, em vez de ter a capacidade de pegar uma chave de fenda e usá-la de várias maneiras diferentes, eles apenas transformam a mão em uma chave de fenda”, diz Holladay. “Você pode imaginar que isso requer um planejamento menos hábil, mas é muito mais limitador. Gostaríamos que um robô pudesse usar e escolher muitas coisas diferentes”. Esta pesquisa foi apoiada, em parte, pelo Mathworks, pela MIT-HKUST Alliance e pela National Science Foundation.

Leia também:  Construindo uma bateria melhor com o aprendizado de máquina

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *