Toyota научила робота различать прозрачные предметы и делать селфи
Инженеры из исследовательского подразделения компании Toyota научили робота с руками новым навыкам. Теперь он умеет качественно обнаруживать прозрачные и зеркальные предметы, а также снимать себя на экшн-камеру, подбирая оптимальный ракурс.
Toyota не первый год разрабатывает роботов с руками, надеясь в итоге создать роботизированных помощников по дому для людей с ограниченными возможностями или пожилых. Один из прототипов компания испытала с инвалидом-ветераном войны в 2017 году, тогда робот уже умел хватать предметы, к примеру, бутылку с водой, нажимать на кнопки и выполнять другие базовые бытовые действия. Но, как это часто бывает в робототехнике, от первичного прототипа, выполняющего базовые задачи, до полноценного серийного робота проходит большой срок, во время которого разработчики решают множество мелких сценариев, которые встречаются довольно редко, но без них разработку нельзя выпускать в коммерческую стадию из-за недостаточной безопасности или неудобства. В начале года инженеры показали один из таких этапов, решив проблему навигации по дому с предметами на полу, ходящими людьми и другими препятствиями: они предложили закреплять робота на потолке вверх ногами.
В новом видео инженеры показали, как обучили робота работать с прозрачными предметами и снимать себя при помощи селфи-палки. Как и в прошлые разы инженеры использовали две разновидности робота: напольную и потолочную. Но функционально и конструкционно они одинаковы и различия касаются лишь подвижной платформы, к которой крепится робот. Он состоит из корпуса, который в свою очередь собран из нескольких сегментов, которые могут сгибаться и разгибаться относительно друг друга. На его конце закреплены две руки и голова с двумя камерами.
Главная из новых способностей заключается в том, что теперь робот лучше работает с предметами, состоящими из прозрачного материала или с зеркальным покрытием. До недавнего времени это представляло большую проблему для роботов, потому что, как правило, они определяли форму и границу предмета, сравнивая его вид с разных ракурсов, а если предмет выполнен из стекла или дает очень яркие отражения, алгоритмы не могут рассчитать по снимкам адекватную 3D-модель и подготовить план захвата. Но в последние годы исследователи из разных групп научились бороться с этой проблемой, и разработчики из Toyota тоже смогли реализовать в своем роботе качественное распознавание объектов при помощи камеры глубины. Для этого они воспользовались симулятором, в котором алгоритм видел трехмерные объекты в разной обстановке и должен был рассчитать его форму и границы. Выученный в виртуальной среде навык удалось перенести на реальное устройство, благодаря чему теперь робот может захватывать и двигать стаканы и другие прозрачные предметы, встречающиеся в домах.
Второй из новых навыков — умение снимать себя. Инженеры научили робота брать в руку селфи-палку с экшн-камерой на конце и располагать ее так, чтобы робот оказывался в центре кадра и со стороны, в которой он выполняет действия, например, подметает пол. В пресс-релизе авторы приурочили эту возможность к американскому дню селфи 21 июня, однако, вероятно, у нее есть и практические применения. Например, записи выполнения действий с нового ракурса, отличающегося от ракурса с головы, гипотетически можно использовать для обучения алгоритмов методом самообучения.
В прошлом году инженеры Toyota разработали мягкий захват, позволяющий захватывать хрупкие предметы. Он состоит из двух надувных контактных площадок, внутри которых есть камера, определяющая параметры контакта благодаря искривлению поверхности площадок.
Григорий Копиев
Алгоритм уменьшает время простоя на 78 процентов
Инженеры из Японии создали алгоритм машинного обучения, который автоматически стимулирует таракана-киборга больше двигаться и не позволяет ему долго оставаться в одном месте. Движение таракана контролируется с помощью электроимпульсов, генерируемых рюкзачком с системой дистанционного управления. Алгоритм увеличил на 70 процентов среднюю дистанцию, пройденную киборгом, и снизил время простоя таракана на 78 процентов. Статья опубликована в Cyborg and Bionic Systems. Миниатюрные роботы могут пригодиться в самых разных сферах: от ремонта авиационных двигателей до поиска выживших под завалами. Однако из-за недостаточной развитости компактной компонентной базы, в особенности актуаторов и источников питания, это все еще сложная инженерная задача, и большинство проектов остаются на уровне лабораторных прототипов. Одно из альтернативных решений состоит в использовании живых организмов, например, тараканов или даже летающих насекомых, которые уже обладают способностью к эффективному передвижению. В их организм внедряют электроды, через которые подключаются электронные модули, контролирующие перемещения насекомого за счет электростимуляции. Однако насекомые-киборги не полностью контролируются электронными системами. Они сохраняют свои особенности поведения, которые могут ограничивать их перемещение. Например, мадагаскарские свистящие тараканы, которые часто используются в экспериментах, склонны к снижению активности в ярко освещенных областях и при недостаточно высокой температуре. Кроме того, они предпочитают бегать вдоль стен, а не по открытым пространствам. Это приводит к сложностям в использовании насекомых-киборгов и требует оптимизации стимулирующих сигналов управления. Группа инженеров под руководством Кейсуке Морисима (Keisuke Morishima) из Университета Осаки внедрила в систему управления тараканом-киборгом алгоритм машинного обучения, который позволяет автоматически стимулировать передвижение насекомого, чтобы оно не оставалось на одном месте. Так же, как и предыдущие исследователи, инженеры использовали особь мадагаскарского шипящего таракана из-за его больших размеров, достигающих семи сантиметров. Для передачи стимулирующих сигналов в усикообразные органы в задней части таракана (церки) были имплантированы платиновые электроды, соединенные медными проводами с приклеенным на спину насекомого шестиграммовым рюкзачком с электронными компонентами. Данные о движении насекомого получают с помощью встроенного в рюкзак инерционного измерительного модуля, который с помощью акселерометра и гироскопа определяет текущие линейное ускорение и угловую скорость таракана. Эта информация по беспроводному каналу связи передается на персональный компьютер на вход алгоритма машинного обучения. Из данных, разбитых на окна по 1,5 секунды, извлекаются признаки, которые затем поступают на вход классификатора, определяющего двигается насекомое или нет. В случае, если таракан остается неподвижным дольше заданного времени, на его церки подаются электрические импульсы. Наиболее эффективным алгоритмом классификации в представленной задаче оказался метод опорных векторов. Для экспериментов инженеры построили арену в форме окружности, над которой разместили камеру для отслеживания реального положения насекомого. Без дополнительной электростимуляции три таракана, использованные в тестах, стремились оставаться в периферийной области у стен арены и избегали открытого пространства большую часть времени. Использование алгоритма и электростимуляции позволило снизить время простоя в среднем на 78 процентов, а время поиска пройденную дистанцию увеличить на 68 и 70 процентов соответственно. При этом среднее время электростимуляции для всех тараканов составило всего 3,4 секунды. Таким образом алгоритм позволяет снизить количество сигналов электростимуляции и тем самым предотвратить утомление животного. Ранее мы рассказывали про американских инженеров, которые разработали носимую поворотную монохромную камеру для жуков и микророботов. Благодаря ее небольшой массе, которая составляет менее четверти грамма, насекомые с ней могут свободно двигаться и балансировать.
