Глубокое обучение помогает роботам понять. В прошлом году блокировки и другие меры безопасности в связи с COVID-19 сделали покупки в Интернете более популярными, чем когда-либо, но стремительно растущий спрос заставляет многих розничных торговцев с трудом выполнять заказы, обеспечивая при этом безопасность своих складских сотрудников.
Исследователи из Калифорнийского университета в Беркли создали новое программное обеспечение для искусственного интеллекта, которое дает роботам скорость и навыки для захвата и плавного перемещения объектов, что позволяет им вскоре помочь людям в складских помещениях. Технология описана в статье, опубликованной сегодня (среда, 18 ноября) в журнале Science Robotics.
Автоматизация складских задач может быть сложной задачей, потому что многие действия, которые естественны для людей, такие как решение, где и как брать различные типы объектов, а затем координация движений плеч, рук и запястий, необходимых для перемещения каждого объекта из одного места в другое, на самом деле являются довольно сложно для роботов. Роботизированное движение также имеет тенденцию быть резким, что может увеличить риск повреждения как продуктов, так и роботов.
«Склады по-прежнему обслуживаются в основном людьми, потому что роботам все еще очень трудно надежно захватывать множество различных объектов», - сказал Кен Голдберг, заслуженный председатель инженерного факультета Калифорнийского университета в Беркли и старший автор исследования Уильям С. Флойд-младший. «На автомобильной сборочной линии одно и то же движение повторяется снова и снова, поэтому его можно автоматизировать. Но на складе все заказы разные».
В более ранней работе Голдберг и научный сотрудник Калифорнийского университета в Беркли Джеффри Ичновски создали оптимизированный для хватания планировщик движения, который мог вычислять, как робот должен подбирать объект, и как он должен двигаться, чтобы переместить объект из одного места в другое.
Однако движения этого планировщика были резкими. Хотя параметры программного обеспечения можно было настроить для создания более плавных движений, эти вычисления занимали в среднем около получаса.
В новом исследовании Голдберг и Ичновски в сотрудничестве с аспирантом Калифорнийского университета в Беркли Яхавом Авигалом и студентом Вишалом Сатишем значительно ускорили время вычислений планировщика движений за счет интеграции нейронной сети с глубоким обучением.
Нейронные сети позволяют роботу учиться на примерах. Позже робот может часто обобщать похожие объекты и движения. Однако эти приближения не всегда достаточно точны. Голдберг и Ичновски обнаружили, что приближение, генерируемое нейронной сетью, затем можно оптимизировать с помощью планировщика движения.
«Нейронной сети требуется всего несколько миллисекунд, чтобы вычислить приблизительное движение. Это очень быстро, но неточно», - сказал Ичновски. «Однако, если мы затем введем это приближение в планировщик движения, планировщику движения потребуется всего несколько итераций, чтобы вычислить окончательное движение».
Объединив нейронную сеть с планировщиком движения, команда сократила среднее время вычислений с 29 секунд до 80 миллисекунд, или менее одной десятой секунды.
Программа планирования движений, оптимизированная для глубокого обучения, также позволяет роботу выполнять больше движений. Предоставлено: Ichnowski et al., Sci. Робот. 5, eabd7710 (2020)
Голдберг предсказывает, что благодаря этому и другим достижениям в области робототехники роботы могут помочь в складских помещениях в ближайшие несколько лет.
«Покупки продуктов, лекарств, одежды и многих других вещей изменились в результате COVID-19, и люди, вероятно, будут продолжать делать покупки таким образом даже после того, как пандемия закончится», - сказал Голдберг. «Это прекрасная новая возможность для роботов поддержать людей».
