Robô industrial aprende por tentativa e erro

A Fanuc é o maior fabricante mundial de robôs industriais que usam aprendizado reforçado para descobrir de forma independente como realizar suas tarefas.

Em Tóquio, dentro de um prédio de escritórios de aparência modesta, vive um robô industrial incomumente inteligente, desenvolvido pela empresa japonesa Fanuc. Dê a ele a tarefa: pegue os widgets de uma caixa e coloque-os em outra, e ele tentará descobrir como fazer isso a noite toda. De manhã, a máquina já dominará esse trabalho, como se tivesse sido programado por um especialista, informa a revisão tecnológica .


A Fanuc exibiu seu produto em dezembro passado no Tokyo International Robot Show. Os robôs industriais são capazes de resolver as tarefas que lhes são atribuídas com a mais alta precisão e velocidade, mas, geralmente, precisam ser programados com muito cuidado para aprender, por exemplo, a capturar um objeto. Isso é difícil e demorado, e significa que esses robôs, em regra, só podem funcionar de acordo com um algoritmo estritamente especificado.

O robô de Fanuc usa uma técnica conhecida como aprendizado por reforço para moldar sua percepção da tarefa. Ele tenta capturar objetos com o manipulador e durante esse processo captura seu trabalho em vídeo. A cada vez, independentemente do sucesso de suas ações, a máquina captura a imagem do objeto, que é usada para melhorar o algoritmo de ações usando "aprendizado profundo" ou processamento de dados em uma rede neural. Nos últimos anos, o aprendizado profundo provou ser eficaz no reconhecimento de padrões.

“Após oito horas de treinamento, o robô realiza com êxito 90% ou mais das atividades no escopo da tarefa, o que é comparável à sua programação por um especialista”, explica Shohei Hido, pesquisador principal da Preferred-Networks, uma empresa de Tóquio especializada em aprendizado de máquina.

Os especialistas em robótica acreditam que o aprendizado reforçado pode simplificar e acelerar a programação de robôs usados ​​em fábricas. No início deste mês, o Google publicou os detalhes de seu próprio estudo sobre o uso do treinamento de reforço, que ensina os robôs a capturar objetos.

Em agosto passado, a Fanuc investiu US $ 7,3 milhões em redes preferenciais. E já em dezembro, as empresas demonstraram um robô de autoaprendizagem na Exposição Internacional de Tóquio.

Uma das maiores vantagens em potencial nessa abordagem do treinamento é que o processo pode ser acelerado se vários robôs trabalharem em paralelo e compartilharem as informações recebidas entre si. Assim, oito robôs trabalhando juntos por uma hora podem aprender o que uma máquina pode dominar em oito horas. "Nosso projeto está focado no aprendizado distribuído", diz Hido. "Imagine centenas de robôs de fábrica compartilhando informações entre si."


Vídeo demonstrativo do processo de auto-aprendizagem de robôs

Essa forma de aprendizagem distribuída, às vezes chamada de "robótica em nuvem", tem um grande potencial tanto na pesquisa científica quanto na indústria.

"A Fanuc tem uma boa posição no mercado para o desenvolvimento dessa tecnologia, pois fornece robôs para muitas fábricas ao redor do mundo", disse Ken Goldberg, professor de robótica da Universidade da Califórnia, Berkeley. Ele acrescenta que a robótica em nuvem nos próximos anos provavelmente mudará o entendimento atual dos robôs.

No entanto, ele observa, o uso do aprendizado de máquina para robótica é uma tarefa difícil, pois gerenciar o comportamento é mais difícil do que, por exemplo, reconhecer objetos nas imagens. "O aprendizado por reforço é um enorme avanço no reconhecimento de padrões", diz Goldberg. “O problema da robótica é que as pessoas são multithread. Assim, diferentemente dos robôs, somos capazes de executar as ações necessárias para resolver um grande número de tarefas ao mesmo tempo. ”

Fanuc não é o único a desenvolver esses robôs. Em 2014, a ABB é uma empresa sueco-suíça especializada em engenharia elétrica, engenharia de energia e tecnologia da informação. A empresa investiu no projeto Vicarious. No entanto, os frutos desse investimento ainda não são visíveis.

Source: https://habr.com/ru/post/pt391855/