La possibilité de choisir une poignée permet aux robots à deux bras de ramasser des objets plus rapidement que jamais.
Depuis plusieurs années, nous suivons les progrès du projet
Dex-Net , qui essaie de développer une prise universelle pour les robots, et à la mi-janvier un nouveau travail a été publié dans la revue Science Robotics, dans lequel des scientifiques de l'Université de Californie à Berkeley présentent Dex-Net 4.0. La nouvelle la plus importante et intéressante liée à ce travail est que la dernière version de Dex-Net a réussi à capturer 95% d'objets auparavant inconnus à une vitesse de 300 pièces par heure, grâce au robot ambidextry ajouté, qui lui permet de sélectionner l'un des deux types de captures.
Pour pouvoir comparer, disons qu'une personne est capable de soulever de tels objets deux fois plus vite, de 400 à 600 pièces par heure. Et je dirais que dans le cas d'une personne, on peut s'attendre à 100% de réussite de la capture - ou du moins une bonne approximation de ce chiffre, si le sujet a plusieurs tentatives avec chacun des objets. Nous avons donc fixé une barre très élevée pour les voitures. Une partie de notre succès dans la capture d'objets (et dans notre capacité à saisir dans son ensemble) est notre grande expérience dans le travail avec des objets de nombreuses formes, tailles, poids, avec le frottement de divers matériaux et avec une déformation possible des objets lors de la capture. Sans même le réaliser, nous sommes capables de construire des modèles détaillés d'objets dans la tête, et ils nous aident à saisir et élever facilement des objets jamais vus auparavant.
Mais les robots n'ont pas accès à ce modèle expérimental du monde. Ils s'appuient sur une formation basée sur une tâche spécifique - et ici Dex-Net entre en jeu. Elle apprend à capturer des choses, s'entraîne aux simulations, utilise des millions de modèles d'objets tridimensionnels et un peu de physique aléatoire pour mieux transférer les succès de la simulation dans le monde réel. L'incertitude artificielle permet au système de fonctionner avec des éléments tels que le bruit du capteur et de petits décalages d'étalonnage progressifs - bien sûr, des résultats plus réalistes pourraient être obtenus en entraînant de vrais robots, mais des limitations telles que la nécessité d'avoir de nombreux robots réels entreraient en vigueur et leur donneraient le temps de travailler - et qui veut les attendre?
Le caractère unique de Dex-Net 4.0 réside dans le fait que les règles qu'il développe pour capturer des objets sont "ambidextres", c'est-à-dire que le robot a deux captures et décide laquelle est actuellement utilisée. Cependant, contrairement aux personnes ambidextres, ce robot a différentes prises sur les mains: une pince à deux doigts et une ventouse à vide. Sur la base d'une évaluation préliminaire de la qualité de capture, Dex-Net sélectionne laquelle des captures peut capturer l'objet de manière plus fiable. Cette technologie permet de saisir des objets rapidement et de manière fiable: ABB YuMi dans la vidéo ci-dessus peut capturer environ 300 objets non vus par heure, avec une efficacité de 95%. Et Dex-Net vous permet de connecter d'autres types de captures. Après une formation supplémentaire (et l'ajout de captures au robot, vous pouvez lui apprendre à travailler avec des poignées électrostatiques, des mains à cinq doigts, des poignées de type gecko ou toute autre chose.
Bien sûr, il est toujours intéressant d'étudier ces 5% de cas où le robot n'a pas réussi à prendre l'article, et voici quelques exemples:
La première photo montre des objets «problématiques», qui sont particulièrement difficiles à soulever en raison de «la géométrie problématique, la transparence, la surface du miroir et la déformabilité». Dex-Net ne gère ces objets que dans 63% des cas, bien que si vous permettez au système de se souvenir des échecs précédents et de déplacer un peu le sujet, si la façon de l'attraper n'est pas claire, la fiabilité augmente à 80%.
La deuxième photo montre des objets que Dex-Net 4.0 ne gère pas du tout ", en raison de propriétés réfléchissantes, telles que la transparence, qui affecte la perception de la profondeur, et des propriétés des matériaux, telles que la porosité et la ductilité (par exemple, les emballages en vrac), ce qui affecte la capacité de coller à la surface avec une ventouse. " Il convient de noter que la poignée à deux doigts n'a pas de capteurs de force ou de capteurs tactiles, il y a donc encore quelque chose à améliorer dans le système.
Vous pouvez également envisager des cas dans lesquels une efficacité qui n'atteint pas 100% sera acceptable. Il existe de nombreuses façons réalistes de gérer les échecs avec des grappins: vous pouvez demander au robot de collecter toutes les choses dans le panier et d'envoyer le reste à une personne qui manipulera des objets complexes. Ou peut-être qu'à un moment donné, il sera judicieux de changer l'emballage des objets afin qu'il devienne plus facile de ramasser des objets particulièrement difficiles à capturer par robot. En tout état de cause, il s'agit davantage de «quand» que de «si» et en raison de l'attrait qu'il y a à accroître l'automatisation de la chaîne d'approvisionnement, ce «quand» est susceptible de venir très, très bientôt.