ÉlőUtoljára: 48 perceMa: 5
Kutatásfrissítve: 00:15

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.

93%-os sikerességgel tanítják a robotokat tapintani a HydroShear szimulátorral
Fotó: Logan Gutierrez / Unsplash
forrás: Amazon Science·AI Forradalom szerk.·
Megosztás

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

Forrás

Feldolgozott sajtóforrás·Amazon Science

Eredeti cikk megnyitása →

Ez a cikk a fenti sajtóforrás alapján készült AI-összefoglalóval.

tetszett a cikk? oszd meg →
Megosztás

Tetszik az oldal? Támogasd a fejlesztést

Az AI Forradalom egy automatizált pipeline: napi adatgyűjtés, LLM-feldolgozás és infrastruktúra fenntartása valódi költségekkel jár. Ha értékesnek találod a tömör, naprakész AI-összefoglalókat, egy kávé sokat segít.

Támogatom