I ricercatori propongono un modo per aiutare i robot ad affettare meglio le verdure

Unisciti ai massimi dirigenti a San Francisco l'11 e il 12 luglio per scoprire come i leader stanno integrando e ottimizzando gli investimenti nell'intelligenza artificiale per il successo. Saperne di più

Vi siete mai chiesti perché i robot a volte faticano a manipolare oggetti che gli esseri umani possono raccogliere con facilità? I compiti di manipolazione devono essere astratti in rappresentazioni di caratteristiche prima che le macchine possano usarle per apprendere politiche (cioè abilità), e queste rappresentazioni di solito devono essere predefinite manualmente: un'impresa impegnativa in compiti complessi che coinvolgono oggetti deformabili, ad esempio, o proprietà materiali variabili. .

Un’alternativa praticabile sono i metodi di deep learning, che forniscono ai robot un mezzo per acquisire rappresentazioni in modo autonomo dall’esperienza. A tal fine, i ricercatori della Carnegie Mellon University descrivono in un documento prestampato ("Learning Semantic Embedding Spaces for Slicing Vegetal") un metodo per combinare la conoscenza precedente del compito e l'apprendimento basato sull'esperienza per acquisire rappresentazioni, concentrandosi sul compito di tagliare cetrioli e pomodori. a fette.

"Imparare a tagliare le verdure è un compito complesso, poiché implica la manipolazione di oggetti deformabili in forme diverse e la creazione di nuovi oggetti sotto forma di fette", hanno scritto i ricercatori. "L'introduzione di compiti ausiliari significativi durante l'addestramento consente al nostro modello di apprendere uno spazio di incorporamento semanticamente ricco che codifica valori a priori e proprietà utili, come lo spessore della verdura tagliata, nella nostra rappresentazione dello stato."

La configurazione sperimentale del team è composta da due bracci di ricerca Franka Emika Panda da 7-DOF e una fotocamera Intel RealSense montata lateralmente che raccoglie informazioni grezze sui pixel dalla scena. Il braccio destro, il "braccio che tiene", viene utilizzato per raccogliere, posizionare e tenere le verdure tagliate su un tagliere utilizzando delle pinze attaccate alle dita. Nel frattempo, il braccio sinistro – il “braccio tagliente” – afferra un portautensili stampato in 3D con un coltello che utilizza per affettare le verdure tenute dall’altro braccio.

Trasforma il 2023

Unisciti a noi a San Francisco l'11 e il 12 luglio, dove i massimi dirigenti condivideranno come hanno integrato e ottimizzato gli investimenti nell'intelligenza artificiale per raggiungere il successo ed evitare le insidie ​​​​comuni.

Il taglio delle verdure in fette di diverso spessore richiede che i bracci del robot eseguano molteplici azioni di taglio variabili. Devono prima rilevare l'estremità delle verdure, spostarsi verso l'alto e ad una certa distanza verso le verdure per fare una fetta ed eseguire un taglio.

I ricercatori hanno raccolto 10 traiettorie di esseri umani che utilizzavano il braccio del robot per eseguire azioni di taglio per stabilire parametri e hanno utilizzato la sequenza di taglio sopra descritta come parametro principale. Per creare un set di dati sul taglio delle verdure, hanno campionato casualmente il numero di fette da tagliare all'inizio di ogni dimostrazione e hanno registrato lo spessore della fetta per ciascuna fetta.

Successivamente, il team ha formato una nuova rete di incorporamento, che secondo loro ha consentito al modello proposto di acquisire utili attributi specifici dell'attività. "Introducendo il compito ausiliario di prevedere lo spessore della fetta di verdura tagliata", hanno scritto, "forziamo la nostra rete di incorporamento a modellare proprietà incentrate sull'oggetto importanti per il compito di affettare le verdure".

Alla fine, quanto è stato efficace l’approccio? Negli esperimenti, i ricercatori affermano di aver visto prove che le rappresentazioni apprese potevano essere generalizzate in diverse forme e dimensioni e che "offrivano [ndr] una ricca rappresentazione" per i modelli di apprendimento per la manipolazione. "I nostri [test] mostrano che il modello appreso apprende una comprensione continua su attributi importanti come lo spessore della fetta tagliata", hanno scritto gli autori dell'articolo.

La missione di VentureBeat deve essere una piazza digitale in cui i decisori tecnici possano acquisire conoscenze sulla tecnologia aziendale trasformativa ed effettuare transazioni. Scopri i nostri Briefing.