Pesquisadores propõem uma maneira de ajudar os robôs a fatiar melhor os vegetais

Junte-se aos principais executivos em São Francisco de 11 a 12 de julho para saber como os líderes estão integrando e otimizando os investimentos em IA para o sucesso. Saber mais

Você já se perguntou por que os robôs às vezes lutam para manipular objetos que os humanos podem pegar com facilidade? As tarefas de manipulação precisam ser abstraídas em representações de recursos antes que as máquinas possam usá-las para aprender políticas (ou seja, habilidades), e essas representações geralmente precisam ser predefinidas manualmente - uma tarefa desafiadora em tarefas complexas envolvendo objetos deformáveis, por exemplo, ou propriedades de materiais variáveis .

Uma alternativa viável são os métodos de aprendizado profundo, que fornecem um meio para os robôs adquirirem representações de forma autônoma a partir da experiência. Para esse fim, pesquisadores da Carnegie Mellon University descrevem em um artigo de pré-impressão ("Learning Semantic Embedding Spaces for Slicing Vegetables") um método para combinar o conhecimento prévio da tarefa e o aprendizado baseado na experiência para adquirir representações, com foco na tarefa de cortar pepinos e tomates em fatias.

“Aprender a fatiar vegetais é uma tarefa complexa, pois envolve a manipulação de objetos deformáveis ​​em diferentes formas, bem como a criação de novos objetos na forma de fatias”, escreveram os pesquisadores. "Introduzir tarefas auxiliares significativas durante o treinamento permite que nosso modelo aprenda um espaço de incorporação semanticamente rico que codifica propriedades e propriedades anteriores úteis, como a espessura do vegetal sendo cortado, em nossa representação de estado".

A configuração experimental da equipe consiste em dois braços de pesquisa Franka Emika Panda de 7 DOF e uma câmera Intel RealSense montada na lateral que coleta informações brutas de pixel da cena. O braço direito - o "braço de sustentação" - é usado para pegar, colocar e segurar os vegetais que estão sendo cortados em uma tábua de cortar usando pinças presas aos dedos. Enquanto isso, o braço esquerdo – o “braço de corte” – segura um porta-ferramentas impresso em 3D com uma faca que usa para cortar os vegetais segurados pelo outro braço.

Transforme 2023

Junte-se a nós em São Francisco de 11 a 12 de julho, onde os principais executivos compartilharão como eles integraram e otimizaram os investimentos em IA para o sucesso e evitaram armadilhas comuns.

Cortar legumes em fatias de diferentes espessuras requer que os braços do robô executem várias ações de corte variadas. Eles primeiro precisam detectar o final dos vegetais, subir e uma certa distância em direção aos vegetais para fazer uma fatia e realizar um corte.

Os pesquisadores coletaram 10 trajetórias de humanos usando o braço do robô para executar ações de corte para estabelecer parâmetros e usaram a sequência de corte descrita acima como parâmetro principal. Para criar um conjunto de dados de fatiamento de vegetais, eles amostraram aleatoriamente o número de fatias a serem cortadas no início de cada demonstração e registraram a espessura da fatia para cada fatia.

Em seguida, a equipe treinou uma nova rede de incorporação, que, segundo eles, permitiu que o modelo proposto capturasse atributos úteis específicos da tarefa. “Ao introduzir a tarefa auxiliar de prever a espessura da fatia de vegetais cortados”, escreveram eles, “forçamos nossa rede de incorporação a modelar propriedades centradas em objetos importantes para a tarefa de fatiar vegetais”.

Então, quão eficaz foi a abordagem, no final? Em experimentos, os pesquisadores dizem que viram evidências de que as representações aprendidas podem ser generalizadas em diferentes formas e tamanhos, e que "forneciam uma representação rica" ​​para aprender modelos de manipulação. “Nossos [testes] mostram que o modelo aprendido aprende um entendimento contínuo sobre atributos importantes, como a espessura da fatia cortada”, escreveram os autores do artigo.

Missão da VentureBeat é ser uma praça da cidade digital para tomadores de decisões técnicas obterem conhecimento sobre tecnologia empresarial transformadora e transações. Conheça os nossos Briefings.