Эволюция роботизированных рук до возможности делать то, что могут делать наши руки
Роботизированные руки до недавнего времени могли делать только то, что запрограммировали команды инженеров. Теперь они могут самостоятельно решать сложные задачи.
Роботизированная рука?
Четыре автономных пальца и большой палец, который может делать все, что может сделать ваша собственная плоть и кровь? Это все еще фантастика.
Но в лучших лабораториях искусственного интеллекта в мире исследователи приближаются к созданию роботизированных рук, которые могут имитировать реальные руки.
Внутри OpenAI, лаборатории искусственного интеллекта в Сан-Франциско, основанной Илоном Маском и несколькими другими крупными именами Силиконовой долины, вы найдете роботизированную руку под названием Dactyl. Он очень похож на механическое протез Люка Скайуокера в последнем фильме «Звездные войны»: механические протезы, которые изгибаются и выпрямляются, как человеческая рука.
Если вы дадите Dactyl блок алфавита и попросите его показать вам конкретные буквы - скажем, красный O, оранжевый P и синий I - он покажет их вам и начнет вращаться, крутить и переворачивать игрушку проворными способами.
Для человеческой руки это простая задача. Но для автономной машины это заметное достижение: Робот изучил задачу в основном самостоятельно. Используя математические методы, позволяющие ему учиться, исследователи полагают, что они могут тренировать роботизированные руки и другие машины для выполнения гораздо более сложных задач.
Эта замечательно проворная рука представляет собой огромный скачок в робототехнических исследованиях за последние несколько лет. До недавнего времени исследователи все еще пытались справиться с гораздо более простыми задачами с помощью гораздо более простых рук.
Захватываяющее устройство (захват)
Созданная исследователями в Autolab, лаборатории робототехники в Калифорнийском университете в Беркли, эта система представляет собой пределы технологий последних лет.
Укомплектованный двухъярусным «захватом», машина может брать предметы, такие, как отвертка или пару плоскогубцев, и раскладывать их по ящикам.
Захват намного легче контролировать, чем рука с пятью пальцами, а создание программного обеспечения, необходимого для работы захвата, не так сложно.
Он может иметь дело с объектами, которые немного незнакомы. Возможно, он не знает, что такое бутылка кетчупа, но бутылка имеет ту же основную форму, что и отвертка, то что знает машина.
Но когда робот сталкивается с чем-то, что отличается от того, что он видел раньше - как пластиковый браслет - все его знания не работают.
Сборщик
Что вы действительно хотите-это робот, который может собрать все что угодно, даже то, что он никогда не видел прежде. Это то, что исследователи Autolab построили за последние несколько лет.
Эта система по-прежнему использует простое оборудование: захват и присоску. Но он может подбирать всевозможные случайные предметы, от пары ножниц до пластиковых игрушечных динозавров.
Система извлекает выгоду из значительных достижений в области машинного обучения. Исследователи из Беркли смоделировали физику более чем 10 000 объектов, определив лучший способ подобрать каждый из них. Затем, используя алгоритм, называемый нейронной сетью, система проанализировала все эти данные, научившись распознавать лучший способ подобрать какой-либо предмет. В прошлом исследователям приходилось программировать робота для выполнения каждой задачи. Теперь он может самостоятельно изучать эти задачи.
Когда вы сталкиваетесь, скажем, с пластиковой игрушкой Йода, система признает, что она должна использовать захват, чтобы подбирать игрушку.
Но когда он сталкивается с бутылкой кетчупа, он выбирает присоску.
Сборщик может сделать это с мусором, полным случайных вещей. Это работает не идеально, но потому, что система может учиться сама по себе, она улучшается гораздо быстрее, чем машины прошлого.
Заправщик кровать
Этот робот представляет значительный прогресс. Исследователи из Беркли объединили систему всего за две недели, используя новейшие методы машинного обучения. Не так давно это заняло бы месяцы или годы.
Теперь система может научиться заправлять кровать за долю того времени, которое требовалось ранее, просто анализируя данные. В этом случае система анализирует движения, которые приводят к созданию ровной кровати.
Толкатель
В университете Беркли, в лаборатории под названием BAIR, другая система применяет другие методы обучения. Робот может толкать предмет и предсказать куда он будет двигаться. Это означает, что он может перемещать игрушки по столу так же, как люди.
Система изучает это поведение, анализируя обширные коллекции видеоизображений, показывающие, как объекты двигаются. Таким образом, он может справиться с неопределенностями и неожиданными движениями, которые возникают в ходе выполнения такой задачи.
Будущее
Всё это простые задачи. И машины могут обрабатывать их только в определенных условиях. Они как терпят неудачи, так и впечатляют. Но методы машинного обучения, которые приводят эти системы в действие, указывают на дальнейший прогресс в последующие годы.
Как и в OpenAI, исследователи из Вашингтонского университета тренируют роботизированные руки, которые имеют все те же суставы, что и наши руки.
Это намного сложнее, чем тренировка захвата или присоски. Антропоморфная рука движется по-другому.
Итак, вашингтонские исследователи тренируют свою руку в симуляции - цифровом воссоздании реального мира. Это упрощает процесс обучения.
В OpenAI исследователи тренируют свою руку почти так же. Система может научиться вращать блок алфавита минуя то, что занимает 100 лет проб и ошибок. Цифровое моделирование, работающее на тысячах компьютерных чипов, сокращает обучение до двух дней.
Он изучает эти задачи путем повторных проб и ошибок. Когда он узнает, что работает в симуляции, он может применить эти знания в реальном мире.
Многие исследователи поставили под сомнение, будет ли этот тип моделирования работать в физической сфере. Но, как исследователи из Беркли и других лабораторий, команда OpenAI показала, что это возможно.
Они вводят определенное количество случайности для моделируемого обучения. Они изменяют трение между рукой и блоком. Они даже изменяют симулированную гравитацию. Изучив эту случайность в моделируемом мире, рука может справиться с неопределенностями реального мира.
Сегодня все, что Dactyl может сделать, крутить кубик с буквами. Но исследователи изучают, как эти самые методы могут быть применены к более сложным задачам.