[ad_1]
Pada usia satu tahun, bayi lebih tangkas daripada robot. Tentu, mesin dapat melakukan lebih dari sekadar mengambil dan meletakkan objek, tetapi kami tidak cukup sampai sejauh mereplikasi tarikan alami menuju eksplorasi atau manipulasi cekatan yang canggih.
OpenAI mencobanya dengan “Dactyl” (berarti “jari” dari kata Yunani daktylos), menggunakan tangan robot humanoid mereka untuk memecahkan kubus Rubik dengan perangkat lunak yang merupakan langkah menuju AI yang lebih umum, dan satu langkah menjauh dari mentalitas tugas tunggal yang umum. DeepMind menciptakan “Penumpukan RGB”, sistem berbasis visi yang menantang robot untuk mempelajari cara mengambil item dan menumpuknya.
Ilmuwan dari Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL) MIT, dalam pencarian yang selalu ada untuk membuat mesin mereplikasi kemampuan manusia, menciptakan kerangka kerja yang lebih ditingkatkan: sistem yang dapat mengorientasikan ulang lebih dari dua ribu objek berbeda, dengan tangan robot. menghadap ke atas dan ke bawah. Kemampuan untuk memanipulasi apa pun mulai dari cangkir hingga kaleng tuna, dan kotak Cheez-It, dapat membantu tangan dengan cepat mengambil dan menempatkan objek dengan cara dan lokasi tertentu — dan bahkan menggeneralisasi ke objek yang tidak terlihat.
“Pekerjaan tangan” yang cekatan ini – yang biasanya dibatasi oleh tugas tunggal dan posisi tegak – dapat menjadi aset dalam mempercepat logistik dan manufaktur, membantu dengan tuntutan umum seperti mengemas objek ke dalam slot untuk kitting, atau dengan cekatan memanipulasi berbagai alat yang lebih luas. Tim menggunakan simulasi tangan antropomorfik dengan 24 derajat kebebasan, dan menunjukkan bukti bahwa sistem tersebut dapat ditransfer ke sistem robot nyata di masa depan.
“Dalam industri, gripper rahang paralel paling umum digunakan, sebagian karena kesederhanaannya dalam kontrol, tetapi secara fisik tidak dapat menangani banyak alat yang kita lihat dalam kehidupan sehari-hari,” kata mahasiswa PhD MIT CSAIL, Tao Chen, anggota Improbable AI Lab dan peneliti utama pada proyek tersebut. “Bahkan menggunakan tang pun sulit karena tidak bisa dengan cekatan menggerakkan satu gagang ke depan dan ke belakang. Sistem kami akan memungkinkan tangan multi-jari untuk memanipulasi alat tersebut dengan cekatan, yang membuka area baru untuk aplikasi robotika.”
Beri aku tangan
Jenis reorientasi objek “di tangan” ini telah menjadi masalah yang menantang dalam robotika, karena banyaknya motor yang harus dikontrol dan seringnya perubahan status kontak antara jari dan objek. Dan dengan lebih dari dua ribu objek, model harus banyak belajar.
Masalahnya menjadi lebih rumit ketika tangan menghadap ke bawah. Robot tidak hanya perlu memanipulasi objek, tetapi juga menghindari gravitasi agar tidak jatuh.
Tim menemukan bahwa pendekatan sederhana dapat memecahkan masalah yang kompleks. Mereka menggunakan algoritme pembelajaran penguatan tanpa model (artinya sistem harus mengetahui fungsi nilai dari interaksi dengan lingkungan) dengan pembelajaran mendalam, dan sesuatu yang disebut metode pelatihan “guru-siswa”.
Agar ini berhasil, jaringan “guru” dilatih tentang informasi tentang objek dan robot yang mudah tersedia dalam simulasi, tetapi tidak di dunia nyata, seperti lokasi ujung jari atau kecepatan objek. Untuk memastikan bahwa robot dapat bekerja di luar simulasi, pengetahuan “guru” disaring menjadi pengamatan yang dapat diperoleh di dunia nyata, seperti gambar kedalaman yang ditangkap oleh kamera, pose objek, dan posisi sendi robot. Mereka juga menggunakan “kurikulum gravitasi”, di mana robot pertama-tama mempelajari keterampilan di lingkungan tanpa gravitasi, dan kemudian perlahan-lahan menyesuaikan pengontrol dengan kondisi gravitasi normal, yang, ketika mengambil sesuatu dengan kecepatan ini — benar-benar meningkatkan kinerja secara keseluruhan.
Meskipun tampaknya berlawanan dengan intuisi, pengontrol tunggal (dikenal sebagai otak robot) dapat mengarahkan kembali sejumlah besar objek yang belum pernah dilihat sebelumnya, dan tanpa pengetahuan tentang bentuk.
“Kami awalnya berpikir bahwa algoritma persepsi visual untuk menyimpulkan bentuk sementara robot memanipulasi objek akan menjadi tantangan utama,” kata profesor MIT Pulkit Agrawal, seorang penulis di makalah tentang penelitian tersebut. “Sebaliknya, hasil kami menunjukkan bahwa seseorang dapat mempelajari strategi kontrol yang kuat yang berbentuk agnostik. Ini menunjukkan bahwa persepsi visual mungkin jauh kurang penting untuk manipulasi daripada apa yang biasa kita pikirkan, dan strategi pemrosesan persepsi yang lebih sederhana mungkin sudah cukup.”
Banyak benda kecil berbentuk lingkaran (apel, bola tenis, kelereng), memiliki tingkat keberhasilan mendekati seratus persen ketika diorientasikan kembali dengan tangan menghadap ke atas dan ke bawah, dengan tingkat keberhasilan terendah, tidak mengherankan, untuk benda yang lebih kompleks, seperti sendok, obeng, atau gunting, mendekati tiga puluh.
Selain membawa sistem ke alam liar, karena tingkat keberhasilan bervariasi dengan bentuk objek, di masa depan, tim mencatat bahwa melatih model berdasarkan bentuk objek dapat meningkatkan kinerja.
Ditulis oleh Rachel Gordon
Sumber: Institut Teknologi Massachusetts
[ad_2]
