Quando si tratta delle aspettative dei clienti, la pandemia ha cambiato tutto
Scopri come accelerare il servizio clienti, ottimizzare i costi e migliorare il self-service in un mondo incentrato sul digitale.

Un paio di nuovi studi di robotica di Google e dell’Università della California, Berkeley, propongono modi per trovare oggetti occlusi sugli scaffali e risolvere compiti di manipolazione “ricchi di contatto” come lo spostamento di oggetti su un tavolo. La ricerca della UC Berkeley introduce Lateral Access Massima riduzione dell’area di supporto occupazionale (LAX-RAY), un sistema che prevede la posizione di un oggetto target, anche quando solo una parte di quell’oggetto è visibile. Per quanto riguarda il documento coautore di Google, propone Contact-aware Online COntext Inference (COCOI), che mira a incorporare le proprietà dinamiche delle cose fisiche in un framework di facile utilizzo.

Mentre i ricercatori hanno esplorato il problema della robotica della ricerca di oggetti disordinati per un bel po ‘di tempo, ambienti come scaffali, armadi e armadi sono un’area meno studiata, nonostante la loro ampia applicabilità. (Ad esempio, un robot di servizio in una farmacia potrebbe aver bisogno di trovare rifornimenti da un armadietto medico.) I problemi di manipolazione ricchi di contatti sono altrettanto onnipresenti nel mondo fisico e gli esseri umani hanno sviluppato la capacità di manipolare oggetti di varie forme e proprietà in ambienti complessi. Ma i robot lottano con questi compiti a causa delle sfide inerenti alla comprensione della percezione e della fisica ad alta dimensione.

I ricercatori della UC Berkeley, che lavorano presso il dipartimento AUTOLab dell’università, si sono concentrati sulla sfida di trovare oggetti target occlusi in “ambienti ad accesso laterale” o scaffali. Il sistema LAX-RAY comprende tre criteri di ricerca meccanica ad accesso laterale. Chiamati “Uniforme”, “Riduzione dell’area di distribuzione (DAR)” e “Riduzione dell’area di distribuzione su ‘n’ passaggi (DER-n)”, calcolano le azioni per rivelare gli oggetti target occlusi memorizzati sugli scaffali. Per testare le prestazioni di queste politiche, i coautori hanno sfruttato un framework aperto – The First Order Shelf Simulator (FOSS) – per generare 800 ambienti di scaffale casuali di varia difficoltà. Quindi hanno distribuito LAX-RAY su uno scaffale fisico con un robot Fetch e una telecamera di rilevamento della profondità incorporata,

Robotica IA

I ricercatori affermano che le politiche DAR e DER-n hanno mostrato prestazioni elevate rispetto alla politica Uniform. In una simulazione, LAX-RAY ha raggiunto un’accuratezza dell’87,3%, che si è tradotta in un’accuratezza di circa l’80% quando applicato al robot del mondo reale. Nel lavoro futuro, i ricercatori intendono studiare modelli di profondità più sofisticati e l’uso di spinte parallele alla telecamera per creare spazio per le spinte laterali. Sperano anche di progettare azioni di trazione utilizzando ventose attivate pneumaticamente per sollevare e rimuovere gli oggetti occludenti dagli scaffali affollati.

Nel lavoro di Google, che ha avuto il contributo dei ricercatori di Alphabet’s X, Stanford e UC Berkeley, i coautori hanno progettato un metodo di apprendimento per rinforzo profondo che prende dati multimodali e utilizza una “struttura rappresentativa profonda” per catturare dinamiche ricche di contatti. COCOI attinge riprese video e letture da un sensore tattile montato su robot per codificare le informazioni dinamiche in una rappresentazione. Ciò consente a un algoritmo di apprendimento per rinforzo di pianificare con “consapevolezza dinamica” che migliora la sua robustezza in ambienti difficili.

I ricercatori hanno analizzato COCOI facendo in modo che un robot simulato e reale spinga gli oggetti in posizioni target evitando di farli cadere. Non è così facile come sembra; le informazioni chiave non potevano essere facilmente estratte dalle prospettive del terzo angolo e le proprietà dinamiche del compito non erano direttamente osservabili dalle informazioni grezze del sensore. Inoltre, la politica doveva essere efficace per oggetti con diversi aspetti, forme, masse e proprietà di attrito.

Robotica IA

I ricercatori affermano che COCOI ha superato una linea di base “in un’ampia gamma di impostazioni” e proprietà dinamiche. Alla fine, intendono estendere il loro approccio alla spinta di oggetti non rigidi, come pezzi di stoffa.

Di ihal

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi