Kemampuan untuk memilih pegangan membantu robot dua tangan mengambil benda lebih cepat dari sebelumnya.
Selama beberapa tahun kami telah mengikuti kemajuan proyek
Dex-Net , yang mencoba mengembangkan cengkeraman universal untuk robot, dan pada pertengahan Januari sebuah karya baru diterbitkan dalam jurnal Science Robotics, di mana para ilmuwan dari University of California di Berkeley menghadirkan Dex-Net 4.0. Berita paling penting dan menarik terkait dengan karya ini adalah bahwa versi terbaru Dex-Net berhasil menangkap 95% objek yang sebelumnya tidak dikenal dengan kecepatan 300 lembar per jam, berkat robot ambidextry yang ditambahkan, yang memungkinkannya untuk memilih salah satu dari dua jenis tangkapan.
Untuk dapat membandingkan, katakanlah seseorang dapat mengangkat objek seperti itu dua kali lebih cepat, dari 400 hingga 600 buah per jam. Dan saya akan mengatakan bahwa dalam kasus seseorang, seseorang dapat mengharapkan 100% keberhasilan penangkapan - atau setidaknya perkiraan yang baik untuk angka ini, jika subjek diperbolehkan beberapa upaya dengan masing-masing objek. Jadi kami menetapkan standar yang sangat tinggi untuk mobil. Bagian dari kesuksesan kami dalam menangkap objek (dan dalam kemampuan kami untuk memahami secara keseluruhan) adalah pengalaman hebat kami dalam bekerja dengan objek dari berbagai bentuk, ukuran, bobot, dengan gesekan berbagai bahan dan dengan kemungkinan deformasi objek selama penangkapan. Tanpa menyadarinya, kami dapat membangun model objek yang terperinci di kepala, dan mereka membantu kami untuk dengan mudah meraih dan mengangkat objek yang sebelumnya tidak terlihat.
Tetapi robot tidak memiliki akses ke model eksperimental dunia ini. Mereka mengandalkan pelatihan berdasarkan tugas tertentu - dan di sini Dex-Net ikut bermain. Dia belajar menangkap hal-hal, melatih simulasi, menggunakan jutaan model objek tiga dimensi dan sedikit fisika acak, agar keberhasilan transfer lebih baik dalam simulasi ke dunia nyata. Ketidakpastian buatan memungkinkan sistem untuk bekerja dengan hal-hal seperti kebisingan sensor dan pergeseran kalibrasi bertahap kecil - tentu saja, hasil yang lebih realistis dapat diperoleh dengan melatih robot sungguhan, tetapi kemudian keterbatasan seperti kebutuhan untuk memiliki banyak robot nyata akan mulai berlaku dan memberi mereka waktu untuk bekerja - dan siapa yang ingin menunggu mereka?
Keunikan Dex-Net 4.0 terletak pada kenyataan bahwa aturan yang dikembangkannya untuk menangkap objek adalah "ambidextrous", yaitu robot memiliki dua tangkapan, dan memutuskan mana yang saat ini akan digunakan. Namun, tidak seperti ambidextras manusia, robot ini memiliki genggaman yang berbeda di tangannya: penjepit dua jari dan cangkir hisap vakum. Berdasarkan penilaian awal terhadap kualitas tangkapan, Dex-Net memilih tangkapan mana yang lebih andal untuk menangkap objek. Teknologi ini memungkinkan untuk mengambil objek dengan cepat dan andal: ABB YuMi dalam video di atas dapat menangkap sekitar 300 objek yang sebelumnya tidak terlihat per jam, dengan efisiensi 95%. Dan Dex-Net memungkinkan Anda untuk menghubungkan jenis tangkapan lainnya. Setelah pelatihan tambahan (dan menambahkan tangkapan ke robot, Anda dapat mengajarkannya untuk bekerja dengan cengkeraman elektrostatik, tangan lima jari, cengkeraman seperti tokek, atau apa pun.
Tentu saja, selalu menarik untuk mempelajari 5% kasus ketika robot gagal mengambil item, dan berikut adalah beberapa contoh:
Foto pertama menunjukkan objek "bermasalah", yang sangat sulit diangkat karena "geometri bermasalah, transparansi, permukaan cermin, dan deformabilitas". Dex-Net menangani objek seperti itu hanya dalam 63% kasus, meskipun jika Anda membiarkan sistem mengingat kegagalan sebelumnya dan sedikit memindahkan subjek, jika tidak jelas cara mengambilnya, maka keandalannya meningkat menjadi 80%.
Foto kedua menunjukkan objek yang Dex-Net 4.0 tidak mengatasi sama sekali, "karena sifat reflektif, seperti transparansi, yang mempengaruhi persepsi kedalaman, dan sifat material, seperti porositas dan daktilitas (misalnya, kemasan longgar), yang mempengaruhi kemampuan untuk menempel ke permukaan dengan cangkir hisap. " Perlu dicatat bahwa pegangan dua jari tidak memiliki sensor gaya atau sensor sentuhan, sehingga masih ada sesuatu untuk diperbaiki dalam sistem.
Anda juga dapat mempertimbangkan kasus-kasus di mana efisiensi yang tidak mencapai 100% dapat diterima. Ada banyak cara realistis untuk menangani kegagalan dengan tarikan: Anda dapat menginstruksikan robot untuk mengumpulkan semua hal dari keranjang, dan mengirimkan sisanya kepada orang yang akan mengatasi benda kompleks. Atau, mungkin, pada titik tertentu akan masuk akal untuk mengubah kemasan objek sehingga menjadi lebih mudah untuk mengambil barang yang sangat sulit untuk ditangkap robot. Bagaimanapun, ini lebih merupakan pertanyaan tentang "kapan," daripada "jika," dan karena betapa menariknya untuk meningkatkan otomatisasi rantai pasokan, ini sangat "kapan" kemungkinan akan datang sangat, sangat segera.