Исследователи из лаборатории AUTOLAB Калифорнийского университета в Беркли выложили в открытый доступ крупную базу данных для обучения роботов захвату предметов. Использование тренировочных материалов поможет значительно повысить точность работы машин. Файлы, а также необходимые инструкции доступны на сайте подразделения.
В отличие от человека, роботу непросто взять и переместить бытовой предмет (например, тарелку), особенно если он ему незнаком. Как правило, машины, которые хорошо справляются с этой задачей, работают лишь с определенным классом объектов. Однако в последние годы исследователи активно работают над созданием «универсальных» манипуляторов, которые смогут успешно захватывать абсолютно любые вещи. В этом случае инженеры руководствуются двумя стратегиями: они либо концентрируются на оборудовании, либо на программном обеспечении. Первый подход подразумевает, что робот может не знать особенностей предмета, однако обладать такими инструментами (присосками, щупальцами), которые все равно позволят подобрать его. В рамках второго и более перспективного подхода ученые, как правило, разрабатывают системы искусственного интеллекта, которые помогают манипулятору оценивать свойства объекта и его положение в пространстве, а затем выбирать наиболее удачную стратегию захвата.
В начале июня AUTOLAB представила рекордно ловкого робота Dex-Net 2.0, который в 80 процентах случаев успешно подбирает незнакомые предметы. Такой хороший результат во многом обусловлен использованием нейросети и глубинного обучения. Прежде чем подобрать вещь, Dex-Net 2.0 с помощью камеры глубины оценивает вероятность успешности захвата — если она оказывается ниже 50 процентов, он двигает или переворачивает объект и заново рассчитывает вероятность. Для того, чтобы научить машину подбирать технику захвата, исследователи создали базу данных из полутора тысяч трехмерных моделей различных предметов.
Сейчас инженеры AUTOLAB выпустили открытый набор обучающих материалов, который включает уже 6,7 миллионов подобных моделей (синтетических облаков точек). Они идут в паре с наиболее подходящими стратегиями захвата, а также с оценкой вероятности того, насколько успешной будет попытка поднять и перенести объект. Кроме того, база данных включает и предварительно обученную сверточную нейросеть, которая использовалась самими разработчиками. Исследователи надеются, что это позволит владельцам других роботов улучшить их работу, а также поможет развитию новых архитектур нейросетей.
Dex-Net 2.0 далеко не первый робот, который использует машинное обучение для своей работы. В апреле компания RightHand Robotics продемонстрировала новую руку-манипулятор, которая может делиться своим опытом с другими устройствами. Похожую стратегию использовала компания Google при создании роботов, которые умеют координировать свои движения при захвате предметов.
Кристина Уласович