Напористый роботы осваивают основы работы с объектами

Исследователи Массачусетского технологического института создали набор данных, который захватывает подробная поведение роботизированной системы физически толкает сотни различных объектов. Используя набор данных-самый большой и самый разнообразный в своем роде — исследователи могут обучить роботов, чтобы «научиться» нажимать динамику, которые являются основополагающими для многих сложный объект-манипуляций задач, в том числе корректировка и проверка объектов и сцен выстроить.

Для сбора данных исследователи разработали автоматизированную систему, состоящую из промышленного робота-манипулятора с точным контролем, а движения 3D-системы слежения, глубина и традиционные камеры, и программное обеспечение, которое сшивает все вместе. Рука толкает перед собой модульные объекты, которые можно отрегулировать по весу, форме и распределению массы. На каждое нажатие, система фиксирует, как эти характеристики влияют толкать робота.

Набор данных, называемый «Omnipush», содержит 250 различных толкает на 250 объектах на общую сумму примерно 62,500 уникальный толкает. Это уже используется исследователями для того чтобы, например, строить модели роботов, которые помогают предсказать, где объекты земли, когда они толкнул.

«Нам нужно много данных, чтобы убедиться, что наши роботы могут учиться», — говорит Мария Бауза, аспирант кафедры машиностроения (Ц) и первый автор бумаги описывая Omnipush который будет представлен на предстоящей Международной конференции по интеллектуальным роботам и системам. «Вот, мы собираем данные из реальной робототехнической системы, [и] объекты будут достаточно разнообразны, чтобы захватить богатство толкает явлений. Это важно, чтобы помочь роботам понять, как тужиться работ, а также для преобразования этой информации в других аналогичных объектов в реальном мире».

Присоединение Бауса на бумаге: Ферран Алет и иены-Чен Лин, аспирантов в области информатики и искусственного интеллекта лаборатории и кафедры электротехники и компьютерных наук (ЕЭКУ); Томас Лосано-Перес, Инженерной школы, профессор педагогического мастерства; Лесли П. Kaelbling, к Panasonic профессор компьютерных наук и инженерии; Филипп Изола, доцент Ремо; и Альберто Родригес, адъюнкт-профессор в Мече.

Диверсификация данных

Почему сосредоточиться на продвижении поведение? Моделирование динамики нажимать, что включать трения между объектами и поверхностями, объясняет Родригез, имеет решающее значение в вышестоящий робототехнических задач. Рассмотреть визуально и технически впечатляющих роботов, которые могут играть в Дженгу, которая недавно Родригес совместно. «Робот выполняет сложные задачи, но основная механика вождения, что задача все-таки, что толкает объект воздействие, например, трение между блоками,» говорит Родригес.

Omnipush основан на аналогичном набор данных, построенный на манипуляции и лабораторные механизмы (MCube) Родригес, Бауса, и другие исследователи, которые захватили толкает сведения о всего 10 объектов. После внесения данных общественности в 2016 году, они собрали обратную связь от исследователей. Одна жалоба была нехватка разнообразия объектов: роботов, обученных на данных изо всех сил для обобщения информации о новых объектах. Там также было видео, что очень важно для компьютерного видения, предсказания видео, и другие задачи.

Для своего нового набора данных, исследователи плечо промышленного робота-манипулятора с прецизионного управления скорости и позиции толкателя, в основном вертикальный стальной стержень. Как рука толкает предметы, а «бегущая строка» движения-система слежения — который был использован в кино, виртуальная реальность, и для исследования … следующие объекты. Есть также и RGB-D камера, который добавляет подробные сведения для захваченного видео.

Ключ был здания модульные объекты. Единый центральной части, изготовлен из алюминия, выглядит как четырехконечная звезды и весят около 100 граммов. Каждый центральный элемент содержит маркеры на его центр и точки, поэтому системы Vicon может обнаружить его позе, в пределах миллиметра.

Более мелкие куски в четыре формы-вогнутые, треугольной, прямоугольный и круговой … могут быть магнитно прикреплены к любой стороне центральной части. Каждый кусочек весит от 31 до 94 граммов, но лишний вес, от 60 до 150 граммов, может быть удален в маленькие отверстия в материалах. Все кусочки пазла-как выровнять объекты по горизонтали и по вертикали, которая помогает имитировать трение один объект с такой же формы и распределения массы бы. Все комбинации разные стороны, вес и масса дистрибутивов добавил до 250 уникальных объектов.

На каждое нажатие, рукоятка автоматически переходит в случайном положении в нескольких сантиметрах от объекта. Затем он выбирает случайное направление и толкает объект в течение одной секунды. Начиная от того, где он остановился, затем выбирает другое случайное направление и процесс повторяется 250 раз. Каждый толчок записей поза объекта и RGB-D видео, который может использоваться для различных видео-прогнозирование целей. Сбор данных занял 12 часов в день, в течение двух недель, на сумму более 150 часов. Вмешательство людей был нужен только для перенастройки вручную объекты.

Объекты не специально имитировать какие-либо реальные предметы. Вместо этого, они разработаны, чтобы захватить разнообразие «кинематика» и «массового asymetries» ожидается, что в реальном мире объекты, которые моделируют физику движения объектов реального мира. Тогда роботы могут экстраполировать, скажем, физическая модель объекта Omnipush с неравномерным распределением масс для любого объекта реального мира с аналогичными неравномерного распределения веса.

«Представьте себе, отодвинув стол с четырьмя ножками, где большинство веса на одну из ног. Когда вы нажимаете на таблицу, вы видите, что она вращается на тяжелую ногу и придется перестраиваться. Понимая, что массовое распространение, и ее влияние на результат толчок, что роботы могут учиться с таким набором предметов», — говорит Родригес.

Включение новых исследований

В одном эксперименте, исследователи использовали Omnipush для обучения модели прогнозирования финальной позе толкнул объекты, дают только первоначальную позу и описание нажать. Они тренировались в модели на 150 объектов Omnipush, и протестировали его в части объектов. Результаты показали, что Omnipush обученная модель была в два раза точно, как модели, обучающихся по несколько однотипных наборах данных. В своей работе исследователи также зафиксировали показатели в точности, что другие исследователи могут использовать для сравнения.

Потому что Omnipush захватывает видео толкает, одно потенциальное применение-это предсказание видео. Сотрудник, например, сейчас, используя набор данных для обучения робота, по сути, «представьте себе» посторонних предметов между двумя точками. После обучения на Omnipush, робот дается в качестве входных данных два видеокадров, показывает объект в его исходное положение и конечное положение. Используя исходное положение, робот предсказывает все будущие кадры, которые обеспечивают объект достигает своей конечной точки. Затем он толкает объект таким образом, что матчи каждого прогнозируемого кадра, пока он не попадет в кадр с окончанием установки.

«Робот спрашивает, Если я делаю это действие, где будет объект в этом кадре?’ Затем, он выбирает действие, которое максимизирует вероятность попадания объекта в позиции, которую он хочет», — говорит Бауса. «Он решит, как передвигать предметы на первом представляя, как пиксели в изображении изменится после толчка».

сделать разницу: спонсорские возможности