Исследователи Института робототехники (РИ) Университета Карнеги-Меллона разработали систему, которая значительно улучшает способность роботов перемещать объекты в неизвестных условиях, делая это быстрее и точнее. Эта новая система, получившая название Neural Motion Planning, использует универсальную нейросеть для планирования движений в различных бытовых ситуациях, таких как размещение предметов в шкафах, посудомоечных машинах и холодильниках.
Муртаза Далал из РИ отмечает: «Иногда, когда вы запускаете робота, вы рассчитываете, что он сможет работать в неструктурированных или непредсказуемых условиях — там, где вы не можете знать обо всем заранее». Традиционные методы планирования движения часто оказываются неэффективными в таких ситуациях, так как они медлительны и требуют множества испытаний с столкновениями.
Идея Neural Motion Planning возникла из наблюдений за тем, как люди учатся на своем разнообразном опыте, постепенно совершенствуясь. Люди начинают с медленных и осторожных действий, переходя к быстрым и уверенным движениям. Аналогично, Neural Motion Planning позволяет роботам гибко адаптироваться к незнакомым условиям и эффективно управлять перемещением объектов.
Учёные смоделировали миллионы сложных ситуаций для обучения Neural Motion Planning. В симуляциях роботы взаимодействовали с домашней обстановкой, такой как полки, ящики, микроволновки, посудомоечные машины, открытые коробки и шкафы. Иногда роботам приходилось маневрировать вокруг случайных объектов, например щенка или вазы. Эти модели обучены выполнять быстрое и реактивное планирование движений. Все данные были сведены в универсальную политику, что позволило роботам успешно справляться с задачами в новых для них условиях.
«Мы видим впечатляющие успехи в маштабном обучении для зрения и языка — подумайте о ChatGPT, — но до сих пор это не применялось к робототехнике. Наша работа — шаг к этой цели. Neural Motion Planning использует масштабируемое обучение в симуляции для достижения высокого уровня универсальности в реальном мире. Она функционирует в различных сценах с разнообразным фоном, предметами и препятствиями», — сказал Дипак Патхак, доцент кафедры Раджа Редди в РИ.
Когда Neural Motion Planning использовалась на роботизированной руке в лаборатории, она успешно работала в незнакомых условиях. Система получила трёхмерное представление исходной сцены, созданное при помощи глубинных камер, и целевую позицию — точку, где роботизированная рука должна была оказаться. Neural Motion Planning затем определила конфигурации суставов для перемещения руки из начального положения в целевую точку.
Магистрант РИ Цзяхуэй Ян отметил: «Было захватывающе наблюдать, как модель изящно обходила различные бытовые препятствия, такие как лампы, растения, книжные полки и дверцы шкафов, одновременно направляя руку робота к выполнению задач. Это стало возможным благодаря масштабируемой генерации данных, аналогичной успеху машинного обучения для зрения и языка».
Источник: iXBT
