Information

Les robots apprennent à réfléchir avant d'agir

Les robots apprennent à réfléchir avant d'agir

Le travail théorique s'est concentré sur l'utilisation de l'informatique quantique pour accélérer l'apprentissage automatique / SINC Source: Eurekalert

Les robots sont de plus en plus nombreux dans notre vie quotidienne, en prenant en charge des tâches simples autour des maisons et des entreprises. Au cours de leurs tâches, ces robots sont confrontés à un large éventail d'objets articulés, tels que des outils, des armoires, des tiroirs et d'autres objets articulés. Ces objets offrent un nombre infini d'arrangements et de poses possibles, et les robots doivent rapidement discerner toutes les variations possibles de poses pour déplacer ou récupérer des objets dans ces espaces.

CONNEXES: NVIDIA OUVRE UN NOUVEAU LABORATOIRE DE RECHERCHE POUR ENSEIGNER LES ROBOTS À TRAVAILLER EN TOUTE SÉCURITÉ AVEC LES HUMAINS

Le problème demeure de savoir comment enseigner à un robot toutes ces variations possibles de poses et comment il peut se frayer un chemin dans des environnements encombrés et imprévus.

Afin d'améliorer la perception robotique, des scientifiques de l'Université du Michigan à Ann Arber, dirigés par Karthik Desingh, ont créé un algorithme méthodique qui calcule et estime diverses poses potentielles d'objets articulés. Condensé, l'algorithme apprend au robot à coordonner ses actions. L'article sur la recherche "Propagation efficace des croyances non paramétriques pour l'estimation de la pose et la manipulation d'objets articulés"est publié dans cette semaineRobotique scientifique journal.

Les robots réfléchissent avant d'agir

En fin de compte, cela sera extrêmement utile et améliorera le service des robots d'entrepôt ou des robots domestiques, car leur capacité à interagir et à se déplacer autour d'objets et d'outils articulés augmentera considérablement.

Pour se déplacer rapidement dans une cuisine et ses armoires, un robot doit appréhender et connaître la gamme de poses de l'armoire (fermeture et ouverture des tiroirs par exemple), en pratiquant un jeu de mouvements spécifique.

Le défi? Variation de la norme.

Par exemple: si un torchon de cuisine est répandu sur des tiroirs ou une armoire, le robot ne reconnaît plus l'objet et ne sait pas quel mouvement effectuer ensuite.

Grâce au nouvel algorithme, un robot pourra désormais en tenir compte, parcourir toutes les variations de pose possibles tout en restant capable de le contourner et de comprendre comment travailler dans et autour de l'environnement encombré. Ce n'était pas le cas auparavant.

Comprendre l'algorithme

Desingh et ses collègues ont créé l'algorithme, nommé PMPNBP, qui formule des variables aléatoires qui constituent différentes options d'une séquence d'évaluations de pose. Pour ce faire, il utilise les connaissances antérieures du robot.

À l'heure actuelle, 100 itérations distinctes sont utilisées dans le PMPNBP, laissant de la place pour que de nombreux torchons soient jetés à la manière d'une armoire.

La clé du succès du PMPNBP? Ses chercheurs ont déclaré qu'il est dû à ses observations partielles de faire tourner l'objet entier de posses hypothétiques. Elle est plus précise et systématique lorsque des poses d'objets articulés sont estimées, dépassant d'un cran PAMPAS, une méthode préexistante.


Voir la vidéo: Démystification des robots humanoïdes, pour enfants de 6 à 8 ans (Octobre 2021).