Nastąpił on dzięki badaczom z EPFL (Szwajcarski Federalny Instytut Technologii w Lozannie) oraz Instytutu Badawczego Idiap. Opracowali oni technologię, która pozwala robotom „rozumieć” geometrię obiektów w sposób zbliżony do ludzkiego.
Jak robot „widzi” powierzchnię?
Głównym problemem w robotyce była do tej pory sztywność reprezentacji obiektów. Tradycyjne systemy opierały się na konkretnych pozach lub ogromnych bazach danych, co sprawiało, że robot musiał uczyć się każdej nowej rzeczy od zera. Szwajcarscy naukowcy podeszli do tematu od strony czystej matematyki i geometrii różniczkowej. Zamiast kazać robotowi zapamiętać wygląd ziemniaka, nauczyli go tworzyć ciągłe pola lokalnych układów odniesienia na powierzchni dowolnego przedmiotu.
System wykorzystuje tzw. równanie dyfuzji, aby „rozprowadzić” informacje geometryczne po całej powierzchni obiektu, nawet jeśli dane z sensorów wizyjnych są niepełne lub zaszumione. W praktyce oznacza to, że robot tworzy sobie swego rodzaju rusztowanie nad przedmiotem, po którym może się płynnie poruszać. Dzięki temu takie czynności jak ślizganie się nożem po skórce czy precyzyjne nakłuwanie powierzchni stają się niezależne od tego, czy robot trzyma w chwytaku jabłko, czy wygiętą rurę. Co więcej, technika ta wykorzystuje metody Monte Carlo, co pozwala na błyskawiczne obliczenia bez konieczności tworzenia ciężkich modeli 3D, co zazwyczaj spowalniało pracę maszyn.
Testy w terenie — od obierania bananów po skomplikowany montaż
Prawdziwym sprawdzianem dla nowej technologii były testy praktyczne, w których roboty musiały zmierzyć się z zadaniami wymagającymi stałego kontaktu z powierzchnią. Wykorzystując system wizyjny, czujniki głębi oraz sprzężenie zwrotne od siły nacisku, maszyny z powodzeniem przeprowadziły operacje obierania, krojenia i inspekcji na całkowicie nowych dla nich obiektach.
Czytaj też: Tesla Optimus w roli kibica. Dopingował i pozował do zdjęć z biegaczami
Badacze przeprowadzili testy na 50 losowo zdeformowanych przedmiotach, a wyniki były jednoznaczne: nowa metoda pozwoliła na znacznie większą stabilność trajektorii ruchu niż dotychczasowe standardy branżowe. Oznacza to tzw. transfer „zero-shot” – robot potrafi wykonać zadanie na nowym przedmiocie od razu, bez dodatkowego treningu.
Czytaj też: Chiński humanoid Tien Kung 3.0 wygrywa „Wyzwanie wojowników” bez pomocy człowieka
Największą zaletą tego rozwiązania jest jego modułowość. Nowy framework geometryczny można łatwo zintegrować z istniejącymi systemami planowania trajektorii, uczenia przez wzmacnianie czy nawet teleoperacji (gdzie człowiek zdalnie steruje robotem). W każdym z tych przypadków technologia szwajcarskich naukowców drastycznie przyspiesza naukę maszyny i sprawia, że jest ona bardziej odporna na błędy wynikające z niedoskonałości sensorów czy bałaganu w otoczeniu robota.
Źródło: Interesting Engineering
