Робот самостоятельно научился держать пистолет

Исследователи из университета Карнеги — Меллона в Питтсбурге при помощи нейронных сетей организовали промышленному роботу Baxter самостоятельное обучение по захватыванию манипулятором различных объектов. Препринт опубликован на arXiv.org, кратко о работе пишет MIT Technology Review.

Для обучения перед роботом установили стол, заполненный различными предметами, среди которых были игрушечные пистолеты, пластиковая бутылка, пульт дистанционного управления телевизором и моток скотча. Робот откладывал один из предметов в сторону, определял наиболее выгодную точку захвата и начинал пытаться его брать с разных сторон. Для каждой выбранной зоны захвата Baxter производил 188 попыток, после каждой из которых пытался поднять предмет, чтобы проверить успешность захвата. После фиксации результата захвата робот клал объект на стол, манипулятор поворачивался на 10 градусов и попытка повторялась.

После окончания первой стадии обучения исследователи повторили цикл, представив роботу новый набор предметов, из которых лишь некоторые были знакомы нейросети по предыдущим попыткам. На обучение ушло 700 часов, в течение которых робот учился поднимать предметы со стола. Если предмет падал из манипулятора, Baxter просто переходил к следующему предмету. Всего за время обучения робот выполнил около 50 тысяч захватов предметов на столе.

Точность предсказания правильно выбранной позиции манипулятора для захвата после обучения составила 80 процентов. Как отмечают авторы, другие методы выбора места захвата, основанные только на распознавании объектов, справляются в 62 процентах случаев. Исследователи полагают, что их работа поможет при использовании роботов в сложных условиях, где требуется умение адаптироваться к окружающей среде и условиям поставленной задачи.

Робот Baxter обладает классической для многоцелевого промышленного робота компоновкой из двух манипуляторов и предусмотрен набор датчиков для отслеживания изменений в окружающей среде. Робот управляется операционной системой для роботов (ROS) с открытым исходным кодом, благодаря чему для исследовательских проектов с машинным обучением часто выбирают именно Baxter. Например, именно эту модель робота исследователи научили распознавать предметы на ощупь и печь блинчики.

Николай Воронцов