La capacidad de elegir un agarre ayuda a los robots de dos brazos a recoger objetos más rápido que nunca.
Durante varios años hemos estado siguiendo el progreso del proyecto
Dex-Net , que está tratando de desarrollar un agarre universal para los robots, y a mediados de enero se publicó un nuevo trabajo en la revista Science Robotics, en el que científicos de la Universidad de California en Berkeley presentan Dex-Net 4.0. La noticia más importante e interesante relacionada con este trabajo es que la última versión de Dex-Net logró capturar con éxito el 95% de los objetos previamente desconocidos a una velocidad de 300 piezas por hora, gracias al robot ambidiestra agregado, que le permite seleccionar uno de los Dos tipos de capturas.
Para poder comparar, digamos que una persona puede levantar tales objetos el doble de rápido, de 400 a 600 piezas por hora. Y yo diría que en el caso de una persona, uno puede esperar el 100% de éxito de la captura, o al menos una buena aproximación a esta cifra, si se permite al sujeto varios intentos con cada uno de los objetos. Así que establecimos una barra muy alta para los automóviles. Parte de nuestro éxito en la captura de objetos (y en nuestra capacidad de agarrar como un todo) es nuestra gran experiencia al trabajar con objetos de muchas formas, tamaños, pesos, con la fricción de varios materiales y con la posible deformación de los objetos durante la captura. Sin siquiera darnos cuenta, somos capaces de construir modelos detallados de objetos en la cabeza, y nos ayudan a agarrar y levantar fácilmente objetos nunca vistos anteriormente.
Pero los robots no tienen acceso a este modelo experimental del mundo. Confían en el entrenamiento basado en una tarea específica, y aquí entra en juego Dex-Net. Aprende a capturar cosas, entrenar en simulaciones, usar millones de modelos de objetos tridimensionales y un poco de física aleatoria, para transferir mejor los éxitos en las simulaciones al mundo real. La incertidumbre artificial permite que el sistema funcione con cosas como el ruido del sensor y pequeños cambios graduales de calibración; por supuesto, se podrían obtener resultados más realistas al entrenar robots reales, pero luego entrarían en vigencia limitaciones como la necesidad de tener muchos robots reales y darles hora de trabajar, ¿y quién quiere esperarlos?
La singularidad de Dex-Net 4.0 radica en el hecho de que las reglas que desarrolla para capturar objetos son "ambidiestras", es decir, el robot tiene dos capturas y decide cuál se utilizará actualmente. Sin embargo, a diferencia de los ambidextras humanos, este robot tiene diferentes agarres en sus manos: una abrazadera de dos dedos y una ventosa de vacío. Basado en una evaluación preliminar de la calidad de captura, Dex-Net selecciona cuál de las capturas puede capturar el objeto de manera más confiable. Esta tecnología permite capturar objetos de forma rápida y confiable: ABB YuMi en el video de arriba puede capturar alrededor de 300 objetos por hora no vistos anteriormente, con una eficiencia del 95%. Y Dex-Net le permite conectar otros tipos de capturas. Después de un entrenamiento adicional (y agregar capturas al robot, puede enseñarle a trabajar con empuñaduras electrostáticas, manos de cinco dedos, empuñaduras tipo gecko o cualquier otra cosa).
Por supuesto, siempre es interesante estudiar el 5% de los casos en que el robot no pudo tomar el artículo, y aquí hay algunos ejemplos:
La primera foto muestra objetos "problemáticos", que son especialmente difíciles de levantar debido a la "geometría problemática, transparencia, superficie del espejo y deformabilidad". Dex-Net maneja tales objetos solo en el 63% de los casos, aunque si permite que el sistema recuerde fallas anteriores y mueva un poco al sujeto, si no está claro cómo agarrarlo, la confiabilidad aumenta al 80%.
La segunda foto muestra objetos que Dex-Net 4.0 no maneja en absoluto "debido a las propiedades reflectantes, como la transparencia, que afecta la percepción de profundidad, y las propiedades del material, como la porosidad y la ductilidad (por ejemplo, envases sueltos), lo que afecta la capacidad de adherirse a la superficie con una ventosa ". Vale la pena señalar que el agarre con dos dedos no tiene sensores de fuerza o sensores táctiles, por lo que todavía hay algo que mejorar en el sistema.
También puede considerar casos en los que una eficiencia que no alcanza el 100% será aceptable. Hay muchas formas realistas de manejar las fallas con agarres: puede indicarle al robot que recoja todas las cosas de la canasta y envíe el resto a la persona que se encargará de los objetos complejos. O, tal vez, en algún momento tenga sentido cambiar el embalaje de los objetos para que sea más fácil recoger los artículos que son especialmente difíciles de capturar por robot. En cualquier caso, esta es más una cuestión de "cuándo", en lugar de "si", y debido a lo atractivo que es aumentar la automatización de la cadena de suministro, es probable que este "cuándo" llegue muy, muy pronto.