Las personas nacen con la capacidad de cambiar su comportamiento de acuerdo con los objetos que tienen en sus manos y las tareas que intentan realizar. Por ejemplo, los estudiantes pueden aprender a quitar con cuidado la piel exterior al cortar ciertas frutas o verduras, oa cortar alrededor de partes más duras como aguacates o semillas de durazno.
Los robots deben ser capaces de cortar cosas de manera eficiente con composiciones o texturas de materiales mixtos para ayudar a los humanos con tareas comunes como cocinar y preparar comidas. Pero transferir esta capacidad a los robots ha resultado muy difícil hasta ahora.
RoboNinja, un sistema basado en aprendizaje automático desarrollado recientemente por investigadores de la Universidad de Columbia, CMU, UC Berkeley y otras instituciones estadounidenses, puede permitir que los robots corten objetos de múltiples materiales, especialmente cosas blandas con núcleos duros. Sus artículos, publicados en el servicio de preimpresión ArXiv, pueden contribuir a mejorar las habilidades de los robots creados para ayudar a las personas en las tareas del hogar y la cocina diaria.
Zhenjia Xu, Zhou Xian y sus colegas señalaron en su artículo que RoboNinja tiene como objetivo eliminar la parte blanda de un objeto mientras conserva el núcleo duro, maximizando así la eficiencia, a diferencia de estudios anteriores que usaron acciones de corte de bucle abierto para cortar objetos de un solo material (como como rebanar pepinos). Nuestro enfoque utiliza un estimador de estado interactivo para hacer esto y una política de interrupción adaptativa para cerrar el ciclo de percepción-acción.
Usando un programa de computadora, pudieron crear un programa de computadora que les permitiría crear un programa de computadora que podría ejecutarse en cualquier computadora. Los objetivos del sistema son extraer la mayor cantidad de pulpa posible mientras se reducen las colisiones con la semilla central y se usa la menor fuerza posible.
Procesos de Corte de Robots y Algoritmos Desarrollados
Según el artículo de Xu, Xian y sus colegas, el sistema utiliza información de colisión escasa para predecir repetidamente la posición y la geometría del núcleo de un objeto, luego genera acciones de interrupción de circuito cerrado basadas en el estado previsto y un valor de tolerancia. Según el comunicado, “El valor de tolerancia cambia el conservadurismo de la política al enfrentar colisiones al mantener una distancia de seguridad adaptativa del núcleo estimado”.
Para evaluar su sistema para cortar objetos de varios materiales, los investigadores desarrollaron un entorno de simulación de corte más adecuado para el desafío al que se enfrentaban. En este entorno, un robot puede cortar objetos hechos de una combinación de materiales duros y blandos de varias formas.
Según Xu, el artículo de Xian et al., “Los simuladores actuales están limitados en la simulación de productos de múltiples materiales o en el cálculo del uso de energía durante todo el proceso de corte. Para abordar este problema, estamos creando un simulador de corte diferenciable que admite la conectividad de múltiples materiales y permite la creación de trayectorias optimizadas de muestra para el aprendizaje de políticas.
RoboNinja permitió que las simulaciones de Xu, Xian y sus colegas de la pinza robótica extrajeran una cantidad significativa de material blando de los objetos mientras limitaban las colisiones con partes duras y consumían una cantidad tolerable de energía. Para validar aún más el rendimiento del marco en escenarios del mundo real y al cortar objetos con varias geometrías centrales, el equipo lo probó en una pinza robótica real.
En su informe, los investigadores escribieron que nuestros ensayos demostraron la generalización de nuestra estrategia a geometrías de núcleo innovadoras e incluso a frutos reales. “Esperamos que los resultados de nuestros experimentos y el simulador recién creado impulsen más investigaciones sobre el aprendizaje de robots que involucran interacciones con elementos de múltiples materiales”, escriben los autores.
Fuente: Techxplore
Günceleme: 14/03/2023 14:36