Slimfit
  1. В МИРЕ

Лаборатория Google сосредоточена на машинном обучении

Лаборатория Google сосредоточена на машинном обучении
Sakura

Лаборатория Google сосредоточена на машинном обучении

Американские инженеры разработали алгоритм для манипуляторов, позволяющий им учиться хватать бананы и другие предметы, и бросать их в заданную точку. Во время работы алгоритм рассчитывает параметры броска с помощью физического симулятора, а также нейросети, которая вносит свои корректировки, рассказывают авторы в блоге Google. Статья с описанием разработки опубликована на сайте Принстонского университета.

 

Захват предметов — одна из наиболее быстро развивающихся областей робототехники, наработки из которой можно применять в сортирующих товар роботах и других устройствах. Обычно после захвата роботы аккуратно перекладывают предмет на другое место. Однако это ограничивает область их работы длиной манипулятора. Расширить область можно с помощью броска, однако это гораздо более сложная задача, требующая от робота понимания механики полета после ускорения. Кроме того, задача осложняется тем, что на полет и место приземления предмета влияют не только параметры броска, но и параметры самого предмета, которые зачастую сложно измерить, такие как расположение центра масс.

Инженеры под руководством Томаса Фанкхауса из Google и Принстонского университета разработали алгоритм, позволяющий роботам захватывать и бросать произвольные предметы в заданную точку. Разработчики выбрали необычный подход и решили объединить захват и бросок в единую задачу, потому что это тесно связанные между собой проблемы.

Во время работы алгоритм получает в качестве исходных данных снимок с камеры глубины, расположенной над корзиной с предметами. На этом снимке содержатся данные как о цвете, так и о глубине (расстоянии). Получив эти данные, алгоритм обрабатывает снимок с помощью нейросети, размечая на нем пространственные признаки. Параллельно с этим физическая симуляция позволяет примерно рассчитать скорость, при которой робот должен отпустить предмет, чтобы он попал в нужную корзину.

 

Эти данные объединяются и подаются на две другие нейросети, которые рассчитывают вероятности успеха для различных захватов и скорости отпускания. Алгоритм повторяет эти действия, поворачивая исходный снимок на 16 углов. В результате робот выполняет такой захват и соответствующее ему ускорение, для которого была рассчитана максимальная вероятность успешного исполнения.

Инженеры создали самообучаемую систему, которая дает роботу задание, а затем следит за успешностью выполнения. После того, как робот разбросал предметы из общей корзины по мелким корзинам, он может поднять раму и все объекты скатятся обратно. Таким образом робот научился бросать незнакомые ему предметы в нужные отсеки корзины с точностью 82,3 процента. На обучение у робота ушло около десяти тысяч попыток.

Недавно в Японии прошел конкурс ROBOCON, в котором соревновались разработчики роботов, бросающих бутылки, частично заполненные водой. Как и в известном челлендже, задача роботов заключалась в том, чтобы после приземления бутылка приземлилась на плоскую поверхность вниз дном и не упала.

 

Источник hotgeo.ru 

Тебе понравилась статья? Следуйте в социальных сетях!

Нецензурные, оскорбительные и прописные комментарии не принимаются.