Los robotistas de QUT han desarrollado una forma más rápida y precisa para que los robots agarren objetos, incluso en entornos desordenados y cambiantes, que tienen el potencial de mejorar su utilidad tanto en entornos industriales como domésticos.
El Dr. Jürgen Leitner de QUT dijo que si bien agarrar y recoger un objeto era una tarea básica para los humanos, había resultado increíblemente difícil para las máquinas.
"Hemos podido programar robots, en entornos muy controlados, para recoger elementos muy específicos. Sin embargo, una de las principales deficiencias de los sistemas actuales de agarre robótico es la incapacidad de adaptarse rápidamente al cambio, como cuando un objeto se ponemovido ", dijo el Dr. Leitner.
"El mundo no es predecible: las cosas cambian, se mueven y se mezclan y, a menudo, eso sucede sin previo aviso, por lo que los robots deben poder adaptarse y trabajar en entornos muy desestructurados si queremos que sean efectivos," él dijo.
El nuevo método, desarrollado por el investigador de doctorado Douglas Morrison, el Dr. Leitner y el distinguido profesor Peter Corke de la Facultad de Ciencias e Ingeniería de QUT, es un método de síntesis de agarre independiente del objeto en tiempo real para el agarre en bucle cerrado.
"El enfoque de la red neuronal convolucional de agarre generativo funciona prediciendo la calidad y la postura de un agarre de dos dedos en cada píxel. Al mapear lo que está frente a él usando una imagen de profundidad en una sola pasada, el robot no necesitaprobar muchos conceptos posibles antes de tomar una decisión, evitando largos tiempos de computación ", dijo Morrison.
"En nuestras pruebas del mundo real, logramos una tasa de éxito de agarre del 83% en un conjunto de objetos previamente vistos con geometría adversaria y del 88% en un conjunto de objetos domésticos que se movieron durante el intento de agarre. También logramos un 81%precisión al agarrar en desorden dinámico "
El Dr. Leitner dijo que el enfoque superó una serie de limitaciones de las técnicas actuales de comprensión profunda.
"Por ejemplo, en el Amazon Picking Challenge, que nuestro equipo ganó en 2017, nuestro robot CartMan miraría dentro de un contenedor de objetos, tomaría una decisión sobre cuál era el mejor lugar para agarrar un objeto y luego entraría ciegamente para intentarpara recogerlo ", dijo
"Usando este nuevo método, podemos procesar imágenes de los objetos que ve un robot en aproximadamente 20 milisegundos, lo que le permite al robot actualizar su decisión sobre dónde agarrar un objeto y luego hacerlo con un propósito mucho mayor. Esto es particularmenteimportante en espacios desordenados ", dijo.
El Dr. Leitner dijo que las mejoras serían valiosas para la automatización industrial y en entornos domésticos.
"Esta línea de investigación nos permite utilizar sistemas robóticos no solo en entornos estructurados donde toda la fábrica está construida en base a capacidades robóticas. También nos permite agarrar objetos en entornos no estructurados, donde las cosas no están perfectamente planificadas y ordenadas, ySe requieren robots para adaptarse al cambio.
"Esto tiene beneficios para la industria, desde almacenes para compras y clasificación en línea, hasta la recolección de frutas. También podría aplicarse en el hogar, ya que se desarrollan robots más inteligentes no solo para aspirar o trapear un piso, sino también pararecoger objetos y guardarlos ".
El documento del equipo Cerrando el círculo para el agarre robótico: un enfoque de síntesis de agarre generativo en tiempo real se presentará esta semana en Robotics: Science and Systems, la conferencia internacional de robótica más selectiva, que se celebra en la Universidad Carnegie Mellon de PittsburghESTADOS UNIDOS.
La investigación fue apoyada por el Centro Australiano para la Visión Robótica.
Fuente de la historia :
Materiales proporcionado por Universidad Tecnológica de Queensland . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :