Robotutviklere utvikler ny teknikk for roboter til å gripe refleksive objekter

Robotikken er et raskt utviklende felt, og det vil ikke ta lang tid før teknologien kommer inn i mange aspekter av våre liv, inkludert kjøkkenet. Men det er ett spesifikt hinder som robotutviklerne må overvinne for disse typene applikasjoner: roboter har en ekstremt vanskelig tid med å plukke opp gjennomsiktige og refleksive objekter, som en målebeger eller en skinnende kniv. Dette er imidlertid i ferd med å endre seg, med robotutviklere ved Carnegie Mellon University (CMU) som utvikler en ny teknikk for å overvinne dette problemet. 

Teamet rapporterte suksess med å lære roboter å plukke opp disse objektene gjennom en ny teknikk som ikke krever komplekse sensorer, uttømmede trening eller menneskelig veiledning. I stedet brukte de en fargekamera for å utføre handlingene. 

Forskningen vil bli presentert på den internasjonale konferansen om robotikk og automatisering som finner sted i sommer. 

Dybdekameraer vs Fargekameraer

David Held er en assistentprofessor ved CMU’s Robotikk-institutt. Ifølge Held er dybdekameraer, som bestemmer et objekts form ved å sende en infrarød lysstråle på det, nyttige for å identifisere u gjennomsiktige objekter. Men det er ikke tilfelle for gjennomsiktige objekter eller refleksive overflater, som den infrarøde lysstrålen går rett gjennom eller spres ut fra. På grunn av dette er dybdekameraer ikke i stand til å beregne nøyaktige former. Dette betyr at resultatet ender opp med å være flatt eller former fylt med hull for gjennomsiktige og refleksive objekter.

Fordelen med et fargekamera er at det kan se gjennomsiktige og refleksive objekter, ikke bare u gjennomsiktige. Ved å dra nytte av dette, skapte forskerne ved CMU et fargekamera-system som er i stand til å identifisere former basert på farge.

Selv om et standard kamera ikke kan måle former på samme måte som et dybdekamera kan, trente forskerne det nye systemet til å etterligne dybde-systemet. Dette tillot det å implicit beregne former og gripe bestemte objekter, og for å oppnå dette, ble dybdekamera-bilder av u gjennomsiktige objekter parret med farge-bilder av de samme objektene. 

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

Gripping Gjennomsiktige og Skinnende Objekter

Etter at systemet var suksessfullt trent, ble det deretter brukt på gjennomsiktige og skinnende objekter. Roboten var i stand til å gripe de vanskelige objektene med en høy grad av suksess etter å ha brukt disse bildene pluss alle andre informasjoner som kunne trekkes ut fra dybdekameraet.

Held sa at selv om systemet ikke alltid fungerer perfekt, er det bedre enn noen av de andre systemene som for tiden er tilgjengelige.

“Vi gjør noen ganger feil,” sa Held. “Men for det meste gjorde det en ganske god jobb, mye bedre enn noen av de tidligere systemene for å gripe gjennomsiktige eller refleksive objekter.”

Ifølge Thoms Weng, en ph.d.-student i robotikk, er systemet fortsatt mer effektivt til å plukke opp u gjennomsiktige objekter sammenlignet med gjennomsiktige eller refleksive, men det er mye mer effektivt enn bare dybdekamera-systemer. En annen fordel med systemet var at læringsteknikken for å trene det var ekstremt effektiv, og gjorde farge-systemet like god som dybdekamera-systemet til å plukke opp u gjennomsiktige objekter.

“Vårt system kan ikke bare plukke opp enkeltvis gjennomsiktige og refleksive objekter, men det kan også gripe slike objekter i klumpete hauger,” sa Weng. 

Dette er ikke første gangen at robotutviklere har forsøkt å overvinne denne utfordringen. Tidligere tilnærminger involverte trening av systemer basert helt på gjentatte forsøk på å gripe, som kunne nummerere opp til 800 000 forsøk. En annen tidligere mulighet var menneskelig merking av objekter, som er både dyrt og tidskrevende.

Robotutviklerne ved CMU brukte en kommersiell RGB-D-kamera i stand til å ta både fargebilder (RGB) og dybdebilder (D).