Los ingenieros eléctricos de la Universidad de California en San Diego han desarrollado un algoritmo de detección de colisión más rápido que utiliza el aprendizaje automático para ayudar a los robots a evitar los objetos en movimiento y atravesar entornos complejos y que cambian rápidamente en tiempo real. El algoritmo, denominado "Fastron", se ejecutahasta 8 veces más rápido que los algoritmos de detección de colisión existentes.
Un equipo de ingenieros, dirigido por Michael Yip, profesor de ingeniería eléctrica e informática y miembro del Contextual Robotics Institute en UC San Diego, presentará el nuevo algoritmo en la primera Conferencia anual sobre aprendizaje de robots del 13 al 15 de noviembre enLa sede de Google en Mountain View, California. La conferencia reúne a los mejores científicos de aprendizaje automático en un evento solo por invitación. El equipo de Yip ofrecerá una de las largas conversaciones durante la conferencia de 3 días.
El equipo prevé que Fastron será ampliamente útil para los robots que operan en entornos humanos donde deben poder trabajar con objetos en movimiento y personas de manera fluida. Una aplicación que están explorando en particular son las cirugías asistidas por robot que utilizan el Sistema Quirúrgico da Vinci, en el que un brazo robótico realizaría de forma autónoma tareas de asistencia succión, irrigación o estiramiento del tejido hacia atrás sin interferir con los brazos controlados por el cirujano o los órganos del paciente.
"Este algoritmo podría ayudar a un asistente de robot a cooperar en la cirugía de manera segura", dijo Yip.
El equipo también imagina que Fastron se puede usar para robots que trabajan en casa para aplicaciones de vida asistida, así como para gráficos por computadora para la industria del juego y el cine, donde la verificación de colisiones a menudo es un cuello de botella para la mayoría de los algoritmos.
Un problema con los algoritmos de detección de colisión existentes es que son muy pesados para la computación. Pasan mucho tiempo especificando todos los puntos en un espacio dado, las geometrías 3D específicas del robot y los obstáculos, y realizando comprobaciones de colisión encada punto para determinar si dos cuerpos se cruzan en un momento dado. El cálculo se vuelve aún más exigente cuando los obstáculos se mueven.
Para aligerar la carga computacional, Yip y su equipo en el Laboratorio de Robótica y Controles Avanzados ARClab en UC San Diego desarrollaron un enfoque minimalista para la detección de colisiones. El resultado fue Fastron, un algoritmo que utiliza estrategias de aprendizaje automático, que sontradicionalmente utilizado para clasificar objetos, para clasificar colisiones versus no colisiones en entornos dinámicos ". En realidad, no necesitamos conocer todas las geometrías y puntos específicos. Todo lo que necesitamos saber es si la posición actual del robot está en colisión o no", dijo Nikhil Das, un estudiante de doctorado en ingeniería eléctrica en el grupo de Yip y el primer autor del estudio.
El nombre Fastron proviene de la combinación de Fast y Perceptron, que es una técnica de aprendizaje automático para realizar la clasificación. Una característica importante de Fastron es que actualiza sus límites de clasificación muy rápidamente para adaptarse a escenas en movimiento, algo que ha sido un desafío para la máquinacomunidad de aprendizaje en general para hacer.
La estrategia de aprendizaje activo de Fastron funciona usando un circuito de retroalimentación. Comienza creando un modelo del espacio de configuración del robot, o espacio C, que es el espacio que muestra todas las posiciones posibles que el robot puede alcanzar. Fastron modela el espacio C usandosolo un conjunto escaso de puntos, que consiste en un pequeño número de los llamados puntos de colisión y puntos libres de colisión. El algoritmo luego define un límite de clasificación entre la colisión y los puntos libres de colisión; este límite es esencialmente un bosquejo aproximado de dóndelos obstáculos abstractos se encuentran en el espacio C. A medida que los obstáculos se mueven, el límite de clasificación cambia. En lugar de realizar controles de colisión en cada punto del espacio C, como se hace con otros algoritmos, Fastron selecciona de manera inteligente los controles cerca de los límites.clasifica las colisiones y las no colisiones, el algoritmo actualiza su clasificador y luego continúa el ciclo.
Debido a que los modelos de Fastron son más simplistas, los investigadores establecieron sus controles de colisión para que sean más conservadores. Dado que solo unos pocos puntos representan todo el espacio, explicó Das, no siempre es seguro lo que está sucediendo en el espacio entre dos puntos, por lo que el equipo desarrollóel algoritmo para predecir una colisión en ese espacio ". Nos inclinamos por hacer un modelo de aversión al riesgo y esencialmente acolchonamos los obstáculos del espacio de trabajo", dijo Das. Esto asegura que el robot se pueda ajustar para ser más conservador en entornos sensibles como la cirugía, opara robots que trabajan en casa para la vida asistida.
El equipo ha demostrado hasta ahora el algoritmo en simulaciones por computadora en robots y obstáculos en la simulación. En adelante, el equipo está trabajando para mejorar aún más la velocidad y la precisión de Fastron. Su objetivo es implementar Fastron en una cirugía robótica y una atención domiciliariaconfiguración del robot.
Título del artículo : "Fastron: un modelo basado en el aprendizaje en línea y una estrategia de aprendizaje activo para la detección de colisión por proxy". Los autores del estudio son Nikhil Das, Naman Gupta y Michael Yip en el Laboratorio de Robótica y Controles Avanzados ARClab en UC San Diego.
Fuente de la historia :
Materiales proporcionado por Universidad de California - San Diego . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :