07/10/2024
Door Ad Spijkers
Onderzoekers aan Carnegie Mellon University ontwikkelden neurale bewegingsplanning om obstakels te vermijden.
Mensen kunnen een boek van een plank pakken zonder er veel over na te denken. Maar het is een complex proces voor de hersenen dat planning en navigeren rond obstakels omvat, zoals andere boeken of snuisterijen. Robotica-onderzoekers hebben moeite om dit soort menselijke bewegingen te repliceren wanneer hun systemen vergelijkbare taken uitvoeren. Het proces van het trainen van een robot om een object van het ene punt naar het andere te krijgen (bewegingsplanning) zonder obstakels te raken kost tijd en middelen. Een robot kan niet dynamisch reageren zoals mensen in onbekende omgevingen.
Neurale bewegingsplanning
Een team van het Robotics Institute aan Carnegie Mellon University in Pittsburgh heeft Neural Motion Planning ontwikkeld om te helpen verbeteren hoe robots reageren in nieuwe omgevingen. De data-gestuurde aanpak maakt gebruik van een enkel, veelzijdig, kunstmatig intelligentienetwerk om bewegingsplanning uit te voeren in verschillende onbekende huishoudelijke omgevingen, zoals kasten, vaatwassers en koelkasten.
Soms wil de gebruiker dat een robot, als hij of zij hem inzet, in ongestructureerde of onbekende omgevingen opereert. In dergelijke omgevingen kun je niet aannemen dat je alles weet. Hier schieten klassieke bewegingsplanningsmethoden tekort. Een groot probleem is dat deze algoritmen erg traag zijn omdat ze duizenden, misschien zelfs miljoenen, botsingscontroles moeten uitvoeren.
Neurale bewegingsplanning is geïnspireerd op de manier waarop mensen uiteenlopende ervaringen opdoen om te oefenen en geleidelijk hun vaardigheden te vergroten. Bij het verwerven van nieuwe vaardigheden beginnen mensen met langzaam, onzeker gedrag en gaan ze over op snelle, dynamische bewegingen. Neural Motion Planning stelt robots in staat om veelzijdiger te zijn in onbekende omgevingen en zich over het algemeen aan te passen bij het verplaatsen van objecten.
Ontwikkeling
Onderzoekers simuleerden miljoenen complexe omgevingen om Neural Motion Planning te trainen. In deze simulaties kwamen robots huishoudelijke omgevingen tegen — planken, kastjes, magnetrons, vaatwassers, open dozen en kasten — en moesten ze soms om willekeurige objecten heen manoeuvreren, zoals een puppy of een vaas. De modellen werden getraind om reactieve en snelle bewegingsplanning uit te voeren. Dit proces en deze gegevens werden omgezet naar een generalistisch beleid zodat de robot, wanneer deze in de echte wereld werd ingezet, taken kon uitvoeren in andere omgevingen dan hij eerder had gezien.
Er zijn mooie resultaten bereikt met grootschalig leren voor vision en taal — denk aan ChatGPT — maar nog niet in robotica. Deze ontwikkeling is een opstapje naar dat doel. Neural Motion Planning gebruikt het eenvoudige recept van leren op schaal in simulatie om een grote mate van generalisatie in de echte wereld te produceren. Het werkt in scènes met verschillende achtergronden, objecten, obstakels en zelfs hele scène-indelingen.
Testen
Bij gebruik op een robotarm in het lab navigeerde Neural Motion Planning succesvol door onbekende omgevingen. Het robotsysteem kreeg een driedimensionale weergave van het startpunt in de scène, die werd gemaakt met behulp van dieptecamera's. Het doel werd gepresenteerd met de positie waar onderzoekers wilden dat de robotarm zou eindigen. Vervolgens leverde Neural Motion Planning de gewrichtsconfiguraties voor de robotarm om van het startpunt naar het eindpunt te bewegen.
Een enkel model ontweek behendig verschillende huishoudelijke obstakels, waaronder lampen, planten, boekenkasten en kastdeuren, terwijl hij de robotarm bewoog om taken uit te voeren. Dit werd mogelijk gemaakt door het fors opschalen van datageneratie, volgens een soortgelijk recept als het succes van machine learning in visie en taal.
Foto: Carnegie Mellon University