روش جدید یادگیری برای چنگک های روبات ها

گرفتن اشیاء گوناگون یکی از مهم‌ترین ویژگی‌های دست‌ روبات‌ها به شمار می‌رود. با این حال، تکنیک‌های موجود در  چنگک های روبات های جدید که اشکال هندسی و تظیمات گوناگون دارند، قابل اجرا نیستند.

یکی از مقالات جدید Xiv.org، رویکردی داده‌بنیان و ارتقایافته برای ساخت چنگک های روبات‌ها و کنترل دست آن‌ها ارائه داده است. این رویکرد در روبات‌های چندانگشتی جدید نیز، فارغ از ظاهر هندسی و ویژگی‌های حرکت‌شناختی‌شان، قابل کاربرد است، چون به نوع مدل بستگی ندارد.

رویکرد جدید بر اساس فضای کاری سرانگشتان چنگک های روبات، نقاط تماس تولید می‌کند. برای محاسبه‌ ویژگی‌های حرکت‌شناختی معکوس چنگک های روبات‌ها از یک روش یادگیری تقویتی مستقل از مدل استفاده شده است؛ به همین دلیل است که قابلیت تعمیم به چنگک‌های جدید را نیز دارد.

این رویکرد در مقایسه با روش‌های مشابه، از نظر داده‌ای بهصرفه‌تر است، دقت بالاتری دارد و اشیا را محکم‌تر در دست می‌گیرد.

چالش همیشگی

یکی از چالش‌های همیشگی حوزه روباتیک، در دست گرفتن اشیا جدید (که روبات قبلاً ندیده است) به صورت خودکار توسط روبات بوده است. طی دهه‌های اخیر، رویکردهای زیادی برای حل این چالش ارائه شده‌اند. چارچوب UniGrasp قابلیت کاربرد در چنگک های روبات‌های گوناگون را دارد، اما در چنگک‌هایی که محدوده‌ حلقه-بسته دارند، کار نمی‌کند. به علاوه، در ربات‌هایی که تنظیمات چندچنگکی دارند، کارآیی‌اش از نظر مصرف داده، پایین است. مقاله‌ مذکور روش جدیدی به نام EfficientGrasp برای ساخت و کنترل چنگک های روبات معرفی می‌کند که به ویژگی‌های مدل وابسته نیست. EfficientGrasp، بر خلاف UniGrasp، ویژگی فضای کاری چنگک های روبات را به عنوان ورودی دریافت می‌کند.

بدین ترتیب، حافظه‌ مورد نیاز، طی مرحله‌ آموزش تا 7/81 درصد کاهش می‌یابد. این روش جدید قابلیت تعمیم برای کاربرد در چنگک های روبات‌هایی با محدوده حلقه-بسته را نیز دارد. آزمایشات متنوعی که در محیط‌ شبیه‌سازی و در دنیای واقعی از EfficientGrasp انجام گرفته‌، حاکی از عملکرد برتر این روش نسبت به UniGrasp است. در چنگک های روبات‌هایی که محدوده حلقه-بسته ندارند، دقت EfficientGrasp در تولید نقاط تماس و موفقیتش در گرفتن اشیا، به ترتیب 85/9 و 10/3 درصد بیشتر از UniGrasp است. این روش در چنگک های روبات‌هایی که محدوده‌ حلقه-بسته دارند، EfficientGrasp به میزان موفقیت 3/83 درصدی دست یافت. در نهایت، مقاله‌ مذکور دلایل شکست این رویکرد را تحلیل می‌کند و راهکارهایی برای ارتقای عملکردش ارائه می‌دهد.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید