Investigadores proponen una forma de ayudar a los robots a cortar mejor las verduras

Únase a los principales ejecutivos en San Francisco el 11 y 12 de julio para escuchar cómo los líderes están integrando y optimizando las inversiones en IA para el éxito. Aprende más

¿Alguna vez se preguntó por qué los robots a veces tienen dificultades para manipular objetos que los humanos pueden recoger con facilidad? Las tareas de manipulación deben abstraerse en representaciones de características antes de que las máquinas puedan usarlas para aprender políticas (es decir, habilidades), y estas representaciones generalmente deben predefinirse manualmente, una tarea desafiante en tareas complejas que involucran objetos deformables, por ejemplo, o propiedades de materiales variables. .

Una alternativa viable son los métodos de aprendizaje profundo, que proporcionan un medio para que los robots adquieran representaciones de forma autónoma a partir de la experiencia. Con ese fin, los investigadores de la Universidad Carnegie Mellon describen en un artículo preliminar ("Aprendizaje de espacios de incrustación semántica para rebanar verduras") un método para combinar el conocimiento previo de la tarea y el aprendizaje basado en la experiencia para adquirir representaciones, centrándose en la tarea de cortar pepinos y tomates. en rebanadas

“Aprender a cortar verduras en rodajas es una tarea compleja, ya que implica manipular objetos deformables en diferentes formas, así como la creación de nuevos objetos en forma de rodajas”, escribieron los investigadores. "La introducción de tareas auxiliares significativas durante el entrenamiento permite que nuestro modelo aprenda un espacio de incrustación semánticamente rico que codifica antecedentes y propiedades útiles, como el grosor de la verdura que se corta, en nuestra representación de estado".

La configuración experimental del equipo consta de dos brazos de investigación Franka Emika Panda de 7 DOF y una cámara Intel RealSense montada lateralmente que recopila información de píxeles sin procesar de la escena. El brazo derecho, el "brazo de sujeción", se usa para recoger, colocar y sostener las verduras que se cortan en una tabla de cortar con pinzas unidas a los dedos. Mientras tanto, el brazo izquierdo, el "brazo de corte", agarra un portaherramientas impreso en 3D con un cuchillo que usa para cortar las verduras que sostiene el otro brazo.

Transformar 2023

Únase a nosotros en San Francisco los días 11 y 12 de julio, donde los altos ejecutivos compartirán cómo han integrado y optimizado las inversiones en IA para lograr el éxito y evitar errores comunes.

Cortar verduras en rodajas de diferentes grosores requiere que los brazos del robot realicen múltiples acciones de corte. Primero deben detectar el final de las verduras, moverse hacia arriba y una cierta distancia hacia las verduras para hacer una rebanada y realizar un corte.

Los investigadores recolectaron 10 trayectorias de humanos usando el brazo robótico para realizar acciones de corte para establecer parámetros y usaron la secuencia de corte descrita anteriormente como el parámetro principal. Para crear un conjunto de datos de rebanado de vegetales, muestrearon aleatoriamente la cantidad de rebanadas para cortar al comienzo de cada demostración y registraron el grosor de cada rebanada.

A continuación, el equipo entrenó una red de integración novedosa que, según dicen, permitió que su modelo propuesto capturara atributos útiles específicos de la tarea. "Al introducir la tarea auxiliar de predecir el grosor de la rodaja de verdura cortada", escribieron, "obligamos a nuestra red de incrustación a modelar propiedades centradas en objetos importantes para la tarea de rebanar verduras".

Entonces, ¿qué tan eficaz fue el enfoque, al final? En los experimentos, los investigadores dicen que vieron evidencia de que las representaciones aprendidas podrían generalizarse en diferentes formas y tamaños, y que "ofrecieron una representación rica" ​​para aprender modelos de manipulación. "Nuestras [pruebas] muestran que el modelo aprendido aprende una comprensión continua de atributos importantes como el grosor de la rebanada cortada", escribieron los autores del artículo.

La misión de VentureBeat es ser una plaza pública digital para que los responsables de la toma de decisiones técnicas adquieran conocimientos sobre tecnología empresarial transformadora y realicen transacciones. Descubre nuestras sesiones informativas.