Что сейчас движет робототехнику вперед

Блог компании FirstVDS. С 23 по 27 октября в Киото на выставке IROS 2022 были представлены лучшие исследования в области робототехники. Кратко познакомимся с мероприятием, пройдемся по представленным достижениям и рассмотрим семь проектов, победивших в главных номинациях.

Что за выставка

IROS (International Conference on Intelligent Robots and Systems) — это ежегодная международная выставка в области робототехники. Основными спонсорами выступают IEEE Industrial Electronics Society (Общество промышленной электроники) и RSJ (Сообщество роботехники Японии). Крупнейшая в мире, наряду с выставкой ICRA (International Conference on Robotics and Automation).

Выставка проводится с 1988 года по всему миру — здесь можно посмотреть полный список городов-участников. В этом году в Киото состоялась юбилейная, 35-я выставка. На нее прислали 3358 научных работ в области робототехники и ИИ, из которых на конкурс допустили 1716 работ из 57 стран мира. Еще эта выставка в 2022 году примечательна тем, что она прошла в оффлайн режиме, в отличии от двух предыдущих, которые проводились онлайн из-за пандемии COVID-19.

Самые интересные проекты

С полным списком всех участников и мероприятий можете ознакомиться здесь. А мы пройдемся по семи победителям в основных номинациях.

1. Главная премия: обучение роботов складыванию одежды

Чей проект? Яхав Авигаль, Ларс Бершайд, Тамим Асфур, Торстен Крюгер и Кен Голдберг из Калифорнийского университета в Беркли и Технологического института Карлсруэ.

В чем суть? Вообще проблема ровного, аккуратного складывания одежды — бич не только многих мужчин, но и роботов. Дело в том, что ткань — очень сложная субстанция, которая принимает какую угодно форму. Сами движения последовательны, но должны быть очень точными и предугадывать массу вариантов. Неловкая ошибка, и одежда снова мятая. Причем форма никогда не повторяется, системе каждый раз нужно анализировать состояние ткани и подстраиваться под нее — это отнимает много времени.

Авторы работы предложили концепцию, которую назвали SpeedFolding. Алгоритм отрабатывался на базе робота ABB YuMi с двумя манипуляторами, на каждом — по три зажимных захвата (пальца). В качестве обратной связи используется две RGB-D камеры: одна оценивает изначальную конфигурацию одежды, а другая, с бОльшим углом обзора — помогает проложить маршрут движения манипуляторов при складывании разглаженной одежды.

Суть алгоритма: есть некая база примитивных движений, которую получили на основе анализа 4300 примитивных движений человека. Нейронная сеть сканирует состояние одежды при помощи камеры, определяет точки захвата ткани и отправляет команду на манипуляторы из базы движений. После разглаживания ткани робот складывает ее по линиям сгиба, согласно предустановленной схеме.

В результате робот способен менее чем за 120 секунд сложить одежду из любой начальной конфигурации с вероятностью 93%, не привязываясь к цвету одежды, типу ткани и так далее. Главной метрикой являлась скорость: предыдущие эксперименты достигали 3–6 складываний в час (FPH). Алгоритм SpeedFolding увеличил скорость до 30–40 FPH.

Для удобства можете открыть видеопрезентацию в Яндекс Браузере, и нейросеть довольно сносно переведет речь докладчика.

Другие номинанты

Мы специально оставили оригинальные названия работ, чтобы у вас не возникало путаницы при переводе терминов.

  • FAR Planner: Fast, Attemptable Route Planner using Dynamic Visibility Update
  • Learning-based Localizability Estimation for Robust LiDAR Localization
  • Adversarial Motion Priors Make Good Substitutes for Complex Reward Functions
  • Learning Visual Feedback Control for Dynamic Cloth Folding
  • Characterization of Real-time Haptic Feedback from Multimodal Neural Network-based Force Estimates during Teleoperation
  • RCareWorld: A Human-centric Simulation World for Caregiving Robots
  • Design and Modeling of A Spring-Like Continuum Joint with Variable Pitch for Endoluminal Surgery
  • Going In Blind: Object Motion Classification using Distributed Tactile Sensing for Safe Reaching in Clutter
  • PCBot: a Minimalist Robot Designed for Swarm Applications
  • PI-ARS: Accelerating Evolution-Learned Visual-Locomotion with Predictive Information Representations

2. Лучшая студенческая работа: робот быстро прокладывает маршрут в неизвестной области

Чей проект? Фан Ян, Чао Цао, Хунбяо Чжу, Джин О и Цзи Чжан из Университета Карнеги-Меллона и Харбинского технологического института. При поддержке ABB.

В чем суть? Роботы, которые сами доставляют еду или выписывают штраф за неправильную парковку — уже не новость. Но они работают в «тепличных» условиях и так или иначе знакомы с маршрутами. А представьте, что в шахте произошел обвал, и нужно срочно доставить шахтерам еду и воду. Однако маршрут неизвестен — мы заранее не знаем, какие коридоры завалены и где можно пройти. Поэтому нужно как можно быстрее пройти маршрут, подстраиваясь под неизвестные условия.

Студенты предложили метод на основе так называемых графов видимости, который до этого мало использовали в реальных задачах. В отличии от, например, метода привязки к сетке, который применяется в тех же домашних роботах-пылесосах. Там движение происходит маленькими шагами, а неизвестный маршрут в доме строится на основе проб и ошибок — поэтому при первой уборке робот тратит достаточно много времени.

В предложенном методе робот сначала анализирует пространство и выделяет препятствия. Они становятся краевыми точками — вершинами, от которых строятся вариации многоугольников — ребер. Это и есть видимое пространство, в котором движется робот. Он не «пробует» препятствия, а заранее их выделяет и выбирает маршрут только в области многоугольников, в видимой области. А если по ходу движения появляются новые препятствия, то краевые точки перестраиваются — старые удаляются, новые становятся вершинами для следующих многоугольников.

Однако перед студентами возникла проблема вычислительных ресурсов. Подробнее о том, как они ее решали — в видеообзоре.

3. Номинация в области когнитивной робототехники: жесты робота подстраиваются под речь

Чей проект? Паям Джоме Яздиан, Мо Чен и Анжелика Лим из Университета Саймона Фрейзера.

В чем суть? Многие роботы выступают докладчиками на конференциях и даже формируют осмысленную речь буквально «на лету». Однако, по мнению авторов работы, речь роботов-докладчиков воспринималась бы намного лучше, если бы они жестикулировали, как и классные ораторы.

Подробнее
Пожалуйста, оцените статью:
Ваша оценка: None Средняя: 4 (2 votes)
Источник(и):

Хабр