Роботы изучают основы манипулирования объектами.

24 October 2019
https://i.pinimg.com/564x/18/32/e3/1832e307e3bb59ab4d2021c02abd8867.jpg
https://i.pinimg.com/564x/18/32/e3/1832e307e3bb59ab4d2021c02abd8867.jpg

Исследователи MIT составили набор данных, который фиксирует детальное поведение роботизированной системы, физически подталкивающей сотни различных объектов.

Используя набор данных - самый большой и разнообразный в своем роде - исследователи могут обучать роботов продвигать динамику, которая является фундаментальной для многих сложных задач манипулирования объектами, включая переориентацию и осмотр объектов, и устранять помехи на сценах.

Для сбора данных исследователи разработали автоматизированную систему, состоящую из промышленного манипулятораробота с точным управлением, системы 3D слежения за движением, и традиционных камер, а также программного обеспечения, которое объеденяет все вместе.

Кронштейн обхватывает модульные объекты, которые можно регулировать по весу, форме и распределению массы. При каждом нажатии система фиксирует, как эти характеристики влияют на прогресс робота.

Набор данных, называемый "Omnipush", содержит 250 различных движений 250 объектов, в общей сложности около 62 500 уникальных движений.

Он уже используется исследователями, например, для построения моделей, которые помогают роботам предсказывать, куда будут приземляться объекты.

"Нам нужно много богатых данных, чтобы наши роботы могли учиться", - говорит Мария Бауза, аспирантка факультета машиностроения (MechE)

Диверсификация данных

Зачем фокусироваться на том, чтобы двигаться к действиям? Моделирование движующийся динамики, которая включает трение между объектами и поверхностями, объясняет Родригес, имеет решающее значение в задачах робототехники более высокого уровня. Рассмотрим визуально и технически впечатляющий робот, который может сыграть Джанго, недавно разработанный Родригесом.

"Робот выполняет сложную задачу, но ядро механики, выполняющей эту задачу, по-прежнему заключается в движение объекта, например, из-за трения между блоками", - говорит Родригес.

Omnipush использует аналогичный набор данных, созданный Лабораторией манипуляций и механизмов (MCube) Родригесом, Баузой и другими исследователями, которые собирают данные только по 10 объектам. После опубликования набора данных в 2016 году они получили обратную связь от исследователей.

Одна жалоба касалась отсутствия объективного разнообразия: Роботы, прошедшие обучение по этому набору данных, с трудом сводили информацию к новым объектам.

Для создания нового набора данных исследователи используют промышленный манипулятор-робот с точным управлением скоростью и положением толкателя, в основном вертикальный стальной стержень. Когда рука толкает объекты, за ними следует система слежения за движением "Викон", которая использовалась в фильмах, виртуальной реальности и для исследований.

Также есть камера RGB-D, которая добавляет глубину захваченного видео.

Ключевым моментом было строительство модульных объектов. Равномерные центральные фигуры, выполненные из алюминия, выглядят как четырехконечные звезды и весят около 100 граммов.

Каждая центральная деталь содержит маркеры по центру и точкам, так что система Vicon может обнаружить ее положение в пределах миллиметра.

Более мелкие детали четырех форм - вогнутые, треугольные, прямоугольные и круглые - могут быть прикреплены магнитом с любой стороны центральной детали. Каждая деталь весит от 31 до 94 граммов, но лишний вес от 60 до 150 граммов можно сбросить используя маленькие отверстия в деталях.

Все элементы головоломки выравниваются по горизонтали и вертикали, что позволяет имитировать трение одного и того же объекта с одинаковой формой и распределением массы. Все комбинации различных сторон, веса и распределения массы складывались из 250 уникальных объектов.

При каждом нажатии рычаг автоматически перемещается в случайное положение на расстоянии нескольких сантиметров от объекта. Затем он выбирает случайное направление и нажимает на объект в течение одной секунды.

Начиная с того места, где он остановился, он выбирает другое случайное направление и повторяет процесс 250 раз. Каждое нажатие записывает позу объекта и RGB-D видео, которые могут быть использованы для различных целей видеопрогнозирования.

Сбор данных занимал 12 часов в день, в течение двух недель, в общей сложности более 150 часов. Вмешательство человека было необходимо только при ручной перенастройке объектов.

Объекты не имитируют предметы из реальной жизни. Вместо этого они предназначены для захвата разнообразия "кинематики" и "массовых асимметрий", ожидаемых от объектов реального мира, моделирующих физику движения объектов реального мира.

Затем роботы могут экстраполировать, скажем, физическую модель объекта Omnipush с неравномерным распределением массы на любой реальный объект с аналогичным неравномерным распределением массы.

"Представьте себе, что вы толкаете столик с четырьмя ножками, где большая часть веса находится над одной из ног.
Когда вы толкаете стол, вы видите, что он вращается на тяжелой ноге и нуждается в регулировке. Понимание того, что массовое распространение и его влияние на результат толчка - это то, чему роботы могут научиться с этим набором объектов, - говорит Родригес.