O Dex-Net 4.0 permite que os robôs Ambidextro escolham o melhor

A capacidade de escolher uma empunhadura ajuda os robôs com dois braços a pegar objetos mais rapidamente do que nunca.

Estamos acompanhando o progresso do projeto Dex-Net há vários anos, tentando desenvolver uma aderência universal para robôs, e em meados de janeiro um novo trabalho foi publicado na revista Science Robotics, na qual cientistas da Universidade da Califórnia em Berkeley apresentam o Dex-Net 4.0. As notícias mais importantes e interessantes relacionadas a este trabalho são que a versão mais recente do Dex-Net lidou com sucesso com a captura de 95% de objetos anteriormente desconhecidos a uma velocidade de 300 peças por hora, graças ao robô ambidestro adicionado, que permite selecionar um dos itens em movimento dois tipos de capturas.


Para poder comparar, digamos que uma pessoa possa levantar esses objetos duas vezes mais rápido, de 400 a 600 peças por hora. E eu diria que, no caso de uma pessoa, pode-se esperar 100% de sucesso na captura - ou pelo menos uma boa aproximação a essa figura, se for permitido ao sujeito várias tentativas com cada um dos objetos. Então, estabelecemos um nível muito alto para carros. Parte do nosso sucesso na captura de objetos (e na nossa capacidade de compreender como um todo) é a nossa grande experiência em trabalhar com objetos de várias formas, tamanhos, pesos, com o atrito de vários materiais e com a possível deformação dos objetos durante a captura. Mesmo sem perceber, somos capazes de criar modelos detalhados de objetos na cabeça, e eles nos ajudam a agarrar e elevar objetos facilmente invisíveis.



Mas os robôs não têm acesso a esse modelo experimental do mundo. Eles contam com treinamento baseado em uma tarefa específica - e aqui o Dex-Net entra em ação. Ela aprende como capturar coisas, treinando em simulações, usando milhões de modelos de objetos tridimensionais e um pouco de física aleatória para transferir melhor os sucessos da simulação para o mundo real. A incerteza artificial permite que o sistema trabalhe com coisas como ruído do sensor e pequenas mudanças graduais de calibração - é claro que resultados mais realistas poderiam ser obtidos com o treinamento de robôs reais, mas então limitações como a necessidade de ter muitos robôs reais entrariam em vigor e forneceriam a eles hora de trabalhar - e quem quer esperar por eles?

A singularidade do Dex-Net 4.0 reside no fato de que as regras que ele desenvolve para capturar objetos são "ambidestras", ou seja, o robô tem duas capturas e decide qual delas será usada atualmente. No entanto, diferentemente das pessoas ambidestrais, este robô tem garras diferentes em suas mãos: um grampo de dois dedos e uma ventosa a vácuo. Com base em uma avaliação preliminar da qualidade da captura, o Dex-Net seleciona qual das capturas pode capturar o objeto com mais confiabilidade. Essa tecnologia possibilita a captura rápida e confiável de objetos: o ABB YuMi no vídeo acima pode capturar cerca de 300 objetos nunca vistos antes por hora, com uma eficiência de 95%. E o Dex-Net permite conectar outros tipos de capturas. Após um treinamento adicional (e adicionando capturas ao robô, você pode ensiná-lo a trabalhar com garras eletrostáticas, mãos de cinco dedos, garras do tipo lagartixa ou qualquer outra coisa.

Obviamente, é sempre interessante estudar esses 5% dos casos em que o robô não conseguiu pegar o item, e aqui estão alguns exemplos:



A primeira foto mostra objetos "problemáticos", que são especialmente difíceis de levantar devido à "geometria problemática, transparência, superfície do espelho e deformabilidade". O Dex-Net lida com esses objetos apenas em 63% dos casos, embora se você deixar o sistema lembrar falhas anteriores e mover um pouco o assunto, se não estiver claro como pegá-lo, a confiabilidade aumentará para 80%.



A segunda foto mostra objetos com os quais o Dex-Net 4.0 não consegue lidar "devido a propriedades refletivas, como transparência, que afeta a percepção de profundidade e propriedades do material, como porosidade e ductilidade (por exemplo, embalagens soltas), o que afeta a capacidade de grudar na superfície com uma ventosa ". Vale a pena notar que a garra com dois dedos não possui sensores de força ou sensores táteis; portanto, ainda há algo a melhorar no sistema.

Você também pode considerar casos em que uma eficiência que não atinja 100% será aceitável. Existem muitas maneiras realistas de lidar com falhas com garras: você pode instruir o robô a coletar todas as coisas da cesta e enviar o restante para uma pessoa que manipulará objetos complexos. Ou, talvez, em algum momento, faça sentido alterar a embalagem dos objetos para tornar mais fácil a coleta de itens especialmente difíceis para a captura robótica. De qualquer forma, isso é mais uma questão de "quando", e não de "se", e devido à atratividade de aumentar a automação da cadeia de suprimentos, esse "quando" provavelmente virá muito, muito em breve.