Los robóticos desarrollan una nueva técnica para que los robots agarren objetos reflectantes

El campo de la robótica está progresando rápidamente, y no pasará mucho tiempo antes de que la tecnología se integre en muchos aspectos de nuestras vidas, incluyendo la cocina. Sin embargo, hay un obstáculo específico que los robóticos deben superar para este tipo de aplicaciones: los robots tienen mucha dificultad para agarrar objetos transparentes y reflectantes, como una taza de medir o un cuchillo brillante. Esto está cambiando, sin embargo, con los robóticos de la Universidad Carnegie Mellon (CMU) desarrollando una nueva técnica para superar este problema.

El equipo informó que tuvo éxito al enseñar a los robots a agarrar esos objetos a través de una nueva técnica que no requiere sensores complejos, entrenamiento exhaustivo o guía humana. En su lugar, utilizó una cámara de color para realizar las acciones.

La investigación se presentará en la Conferencia Internacional de Robótica y Automatización, que tendrá lugar este verano en una conferencia virtual.

Cámaras de profundidad vs Cámaras de color

David Held es un profesor asistente en el Instituto de Robótica de CMU. Según Held, las cámaras de profundidad, que determinan la forma de un objeto emitiendo una luz infrarroja, son útiles para identificar objetos opacos. Sin embargo, eso no es el caso para objetos claros o superficies reflectantes, que la luz infrarroja pasa directamente a través de ellos o se dispersa. Debido a esto, las cámaras de profundidad no pueden calcular formas precisas. Esto significa que el resultado termina siendo plano o formas llenas de agujeros para objetos transparentes y reflectantes.

La ventaja de una cámara de color es que puede ver objetos transparentes y reflectantes, no solo opacos. Aprovechando esto, los científicos de CMU crearon un sistema de cámara de color que es capaz de identificar formas basadas en el color.

Aunque una cámara estándar no puede medir formas de la misma manera que una cámara de profundidad, los investigadores entrenaron el nuevo sistema para imitar el sistema de profundidad. Esto les permitió inferir implícitamente formas y agarrar ciertos objetos, y para lograr esto, se emparejaron imágenes de cámaras de profundidad de objetos opacos con las imágenes de color de los mismos objetos.

https://www.youtube.com/watch?v=Gny7NfmqyOk&feature=emb_title

Agarrar objetos transparentes y brillantes

Después de que el sistema se entrenó con éxito, se utilizó en objetos transparentes y brillantes. El robot pudo agarrar los objetos difíciles con un alto grado de éxito después de usar esas imágenes más cualquier otra información que se pudiera extraer de la cámara de profundidad.

Held dijo que aunque el sistema no siempre funciona perfectamente, es mejor que cualquier otro sistema actualmente disponible.

“A veces fallamos”, dijo Held. “Pero en general, hizo un muy buen trabajo, mucho mejor que cualquier sistema anterior para agarrar objetos transparentes o reflectantes”.

Según Thoms Weng, un estudiante de doctorado en robótica, el sistema es aún más eficiente al agarrar objetos opacos en comparación con objetos transparentes o reflectantes, pero es mucho más efectivo que los sistemas de cámara de profundidad solamente. Otra ventaja del sistema fue que la técnica de aprendizaje para entrenarlo fue extremadamente efectiva, lo que hace que el sistema de color esté al nivel del sistema de cámara de profundidad al agarrar objetos opacos.

“Nuestro sistema no solo puede agarrar objetos transparentes y reflectantes individuales, sino que también puede agarrar dichos objetos en pilas desordenadas”, dijo Weng.

Esto no es la primera vez que los robóticos intentaron superar este desafío. Enfoques anteriores involucraban entrenar sistemas basados enteramente en intentos de agarre repetidos, que podrían llegar a 800,000 intentos. Otra opción anterior fue la etiquetado humano de objetos, que es tanto costoso como tiempo consumidor.

Los robóticos de CMU confiaron en una cámara RGB-D comercial capaz de capturar imágenes de color (RGB) y profundidad (D).