93%-os sikerességgel tanítják a robotokat tapintani a HydroShear szimulátorral
A HydroShear szimulátor újszerű, path-dependent force tracking eljárással modellezi a tapintási erőket, így a robotok szimulációban tanulhatnak meg finommanipulációs feladatokat, amelyek 93%-os sikerességgel ültethetők át valós környezetbe.

Az Amazon és a Michigan Egyetem kutatói bemutatták a HydroShear nevű szimulátort, amely a robotoknak segít megtanulni a tapintás alapú manipulációt. A rendszer a valósághű tapintási erőket modellezi, lehetővé téve a robotoknak, hogy szimulációban tanuljanak meg komplex feladatokat, amelyek aztán módosítás nélkül átültethetők a valós környezetbe.
A robotika számos területén, a raktári automatizálástól a sebészeti asszisztenciáig, elengedhetetlen a finom, érintésintenzív feladatok elvégzése. A robotoknak érezniük kell az ujjbegyeiken ható erőket a tárgyak hatékony manipulálásához. A kutatók által kifejlesztett HydroShear szimulátor pontosan ezt a képességet igyekszik megadni a gépeknek.
Kapcsolódó: TouchThinker fizikai világértelmezés
A tapintás valósághű modellezése
A HydroShear kulcsinnovációja egy meglévő fizikai szimulációs technikához, az úgynevezett hidroelasztikus kontaktmodellekhez hozzáadott új képességek. Az úgynevezett path-dependent force tracking eljárás pontosan követi, hogyan halmozódnak az erők egy puha szenzormembránon egy fizikai interakció során. Ez az eljárás figyelembe veszi az objektum mozgásának történetét a szenzoron, nem csak az azonnali érintkezést. Így a szimulátor képes valósághű erőtereket létrehozni, figyelembe véve a súrlódást, csúszást és az elasztomer anyagának tulajdonságait.
Kapcsolódó: Ultrahangos robotkezelés
Eredmények a valós robotokon
A kutatók négy különböző, érintésintenzív manipulációs feladaton tesztelték a HydroSheart. Ezek közé tartozott a tipegés-beszúrás, a dobozba rendezés, a könyvpolcra helyezés és a fiók kihúzása. A szimulációban betanított robotok a valós Franka roboton, GelSight Mini szenzorokkal felszerelve, átlagosan 93%-os sikerességi arányt értek el. Ez jelentős előrelépés a korábbi, egyszerűsített erő-approximációkat használó TacSL (34%-os sikeresség) és a tanulás-alapú FOTS (58-61%-os sikeresség) módszerekhez képest.
Kapcsolódó: Lokális AI-ügynökök teljesítménye
Szimulációtól a valóságig
A HydroShear lehetővé teszi a nagy léptékű, hatékony politanítást szimulációban, drasztikusan csökkentve a valós világból származó adatgyűjtés és a próbálkozás-alapú tanulás szükségességét. A kutatók a szoftvert, a demókat és az értékelő videókat nyilvánosan elérhetővé tették a projektoldalon. A technológia potenciálisan forradalmasíthatja az ipari automatizálást, a sebészeti robotikát és más, érintésintenzív feladatokat igénylő területeket. A szimulációban betanított robotok a valós Franka roboton, GelSight Mini szenzorokkal felszerelve, átlagosan 93%-os sikerességi arányt értek el.
Kapcsolódó: MassRobotics győztes robot