Робота научили пользоваться подходящей рукой
Американские инженеры разработали новую версию алгоритма Dex-Net, позволяющего роботам с манипуляторами хватать предметы с высокой точностью. С новым алгоритмом робот может выбирать подходящую руку, использовать захваты разных типов и подбирать оптимальный инструмент под конкретный объект. Эксперименты показали, что при разборе корзины с 25 незнакомыми предметами точность захвата составляет 95 процентов, рассказывают авторы статьи, опубликованной в Science Robotics.
Захват предметов — это одно из наиболее развиваемых направлений современной робототехники. Во многом это связано с тем, что эта задача очень часто встречается в промышленности или логистике. К примеру, через склады крупных онлайн-магазинов постоянно проходит множество товаров самой разной формы, размера и массы. Один из крупнейших в мире онлайн-магазинов Amazon до 2018 года проводил соревнования среди разработчиков роботов, чьи наработки могут пригодится компании для сортировки заказов без участия людей.
Группа инженеров из Калифорнийского университета в Беркли под руководством Кена Голдберга (Ken Goldberg) занимается этой проблемой уже несколько лет и в 2017 году они представили первую версию нейросетевого алгоритма и датасета Dex-Net. В качестве архитектуры Dex-Net использует сверточную нейросеть, а в качестве источника данных — камеру глубины. Авторы достаточно быстро создавали новые версии алгоритма, и в 2018 году они представили Dex-Net 4.0, однако полноценная статья с его описанием опубликована только сейчас.
Главное отличие от предыдущих версий алгоритма — возможность использовать одновременно захваты разных типов. В своей работе авторы сосредоточились на захватах двух типов — вакуумной присоске и классическом захвате двумя сжимаемыми параллельными поверхностями. В качестве аппаратной платформы разработчики выбрали промышленного и исследовательского робота ABB YuMi.
На этот раз инженеры решили использовать для двух рук с разными захватами две отдельные нейросети. Каждая из них получает данные с камеры глубины, распознает объекты перед собой и рассчитывает для каждого объекта такую точку захвата, которая с наибольшей вероятностью приведет к качественному удержанию. Под таким захватом авторы понимают ситуацию, при которой робот может не только поднять предмет, но и не ронять его при наличии небольших внешних воздействий. Перед началом работы робот выбирает захват, для которого была рассчитана наибольшая вероятность, а затем берет предмет и перекладывает его в другую корзину.
Разработчики обучили робота на его виртуальном аналоге, создав датасет, состоящий из пяти миллионов захватов 1664 различных предметов. Кроме того, часть обученных моделей также получали данные о реальных захватах, полученные во время предыдущих экспериментов. После обучения инженеры провели испытания алгоритма на реальном роботе и незнакомых ему объектах. При захвате сложных повседневных объектов, таких как инструменты и упаковки сложной формы, надежность захвата составила 95 процентов, а скорость — 312 захватов в час.
В 2017 году компания RightHand Robotics представила новый захват для робоманипуляторов, который одновременно оснащен как тремя пальцами, так и присоской, благодаря чему надежность захвата повышается по сравнению с использованием инструмента одного типа. А в 2018 году австралийские разработчики, победившие в конкурсе Amazon Picking Challenge 2017, создали алгоритм для роботов, позволяющий им захватывать неподвижные и двигающиеся объекты с высокой точностью. Тесты показали, что робот успешно справляется с захватом двигающихся бытовых предметов в 88 процентах случаев
Григорий Копиев
Гексакоптер оснащен двумя взлетно-посадочными платформами для квадрокоптеров
Инженеры из Сколтеха разработали гибридный гексакоптер MorphoLander, который выступает в роли передвижного аэродрома для дронов меньшего размера. MorphoLander не только летает, но и может ходить по неровной поверхности при помощи четырех ног. В верхней части корпуса расположены две взлетно-посадочные платформы для микродонов. Дрон может пригодиться для инспекции объектов и поиска пострадавших во время стихийных бедствий, говорится в препринте на arXiv.org. При поддержке Angie — первого российского веб-сервера Дроны отлично подходят для выполнения задач поиска, инспекции и мониторинга, но потребляют много энергии и не могут долго находиться в полете. Одним из способов преодолеть это ограничение стала разработка дронов гибридной конструкции, которые могут не только летать, но и передвигаться по земле, например, с помощью колес или ног. Несмотря на то, что такой подход позволяет продлить время работы за счет менее энергозатратного способа передвижения по поверхности, продолжительность полета гибрида и его эффективность часто снижается из-за дополнительного веса. Инженеры под руководством Дмитрия Тетерюкова (Dzmitry Tsetserukou) из Сколтеха предложили использовать громоздкий дрон в качестве носителя для дронов поменьше. Тогда большой дрон выступает в роли передвижного «улья», который в нужный момент выпускает рой маленьких дронов, способных более эффективно выполнить задачу на большой территории за счет совместной работы. Разработанный прототип под названием MorphoLander представляет собой гексакоптер с четырьмя ногами, каждая из которых имеет три степени свободы. С их помощью дрон может передвигаться по неровной поверхности. Масса гибрида немного больше 10 килограмм. Встроенного аккумулятора хватает на 12 минут полета. Сверху на корпусе закреплены две посадочные платформы диаметром 20 сантиметров, на которые могут садиться микродроны. Чтобы микродронам (инженеры использовали Crazyflie 2.1 массой 27 грамм) было проще садиться на MorphoLander, материнский дрон с помощью алгоритма стабилизации старается удерживать горизонтальное положение платформ, подстраивая высоту ног под неровности поверхности. Посадка микродронов происходит под управлением алгоритма машинного обучения, его обучение с подкреплением проходило в симуляторе на платформе игрового движка Unity, который позволяет имитировать физику, с использованием пакета машинного обучения Unity ML Agents. Обученный алгоритм посадки затем испытали в трех сценариях с участием реальных дронов. В первом два микродрона должны были взлетать с расстояния полутора метров от MorphoLander и затем садиться на его платформы. Среднее значение отклонения от центра платформы в этом сценарии составило всего около 5,5 миллиметра. Во втором сценарии микродроны должны были садиться на материнский дрон, стоящий на неровной поверхности. В этом случае ошибка возросла и составила 25 миллиметров. Третий сценарий имитировал реальное применение: микродроны взлетали с платформ, в то время как MorphoLander отходил от места взлета на некоторое расстояние, после чего микродроны должны были сесть обратно. Среднее значение отклонения от центра 20-сантиметровой платформы составило 35 миллиметров. В будущем инженеры планируют увеличить точность и устойчивость алгоритма управления микродронами за счет контроля тяги отдельных винтов. https://www.youtube.com/watch?v=fV8_Ejy81s8&t=1s Совместная работа помогает роботам справляться с более трудными задачами. К примеру японские инженеры разработали систему из работающих в паре дрона и наземного робота. Они соединены друг с другом тросом, что позволяет наземного дрону взбираться на более крутые подъемы. Для этого дрон закрепляет трос на вершине, после чего наземный робот натягивает его с помощью лебедки и поднимается наверх.