Estás leyendo la publicación: Los investigadores de Stanford y MIT CSAIL proponen ‘RoboCraft’: un marco novedoso que permite a los robots manipular materiales deformables a partir de entradas visuales utilizando redes neuronales gráficas…
Para realizar tareas industriales y domésticas difíciles, los robots deben ser capaces de modelar y manipular artículos elastoplásticos (por ejemplo, rellenar albóndigas, enrollar sushi y hacer cerámica). Aunque los materiales altamente plásticos como la masa y la plastilina se usan con frecuencia en contextos residenciales e industriales, manipularlos presenta un conjunto especial de dificultades para los robots.
Los objetos blandos y deformables tienen un alto grado de libertad (DoF), observabilidad incompleta e interacciones no lineales entre partículas locales. Estas características dificultan el control de objetos deformables en casi todos los pasos de la tubería de manipulación robótica, incluida la descripción de estados, la simulación de dinámicas y la creación de señales de control.
Un estudio reciente realizado por investigadores de la Universidad de Stanford y el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT explora formas de permitir que los robots modelen y operen elementos elastoplásticos basados en datos visuales RGBD sin procesar. En su artículo “RoboCraft: Aprendiendo a ver, simular y dar forma a objetos elastoplásticos con redes gráficas”, demuestran que el modelo “RoboCraft” propuesto podría predecir con precisión cómo se comportaría un robot al pellizcar y soltar Play-Doh para formar diferentes cartas, incluso algunas que nunca había visto antes. La pinza de dos dedos se desempeñó a la par, en ocasiones incluso mejor que sus contrapartes humanas que teleoperaron el sistema con solo diez minutos de datos.
Antes de realizar cualquier tipo de modelado o planificación eficiente y exitoso en un material liso e indefinido, se debe considerar toda la estructura. Además, la alteración de una parte de una estructura flexible afecta también a otras partes.
Algunas técnicas anteriores se basaban directamente en modelos de dinámicas de aprendizaje a partir de datos sensoriales de alta dimensión. En cambio, otros utilizaron partículas para representar objetos deformables y redes neuronales gráficas (GNN) para simular su dinámica. Estos modelos, sin embargo, se quedan cortos ya que la estructura de los ítems no se explota explícitamente. Los datos sensoriales sin procesar no pueden proporcionar un seguimiento tan sólido, lo que restringe aún más su utilidad en aplicaciones prácticas.
RoboCraft, que emplea una red neuronal gráfica como modelo dinámico, puede pronosticar con mayor precisión cómo cambiará la forma del material al convertir las fotos en gráficos de partículas diminutas y acoplarlas con algoritmos. RoboCraft emplea datos visuales en lugar de complicados simuladores de física, que los investigadores han utilizado tradicionalmente para simular y comprender la fuerza y la dinámica que se aplica a los objetos.
El nuevo marco se compone de tres componentes principales:
- Un módulo de percepción que construye una representación de partículas del objeto tomando muestras de la malla del objeto reconstruido
- Un modelo dinámico que emplea GNN para modelar interacciones de partículas. El modelo dinámico se entrena directamente a partir de datos visuales sin procesar utilizando funciones de pérdida que evalúan la diferencia entre las distribuciones de partículas anticipadas y observadas, en contraste con los trabajos anteriores de dinámica de partículas basados en el aprendizaje que suponen una correlación temporal.
- Un módulo de planificación que aplica control predictivo de modelo (MPC) para resolver el problema de optimización de trayectoria. Entrenamos el modelo dinámico.
El equipo ahora está trabajando en la creación de bolas de masa y un relleno prefabricado, además de hacer formas adorables.
En general, RoboCraft muestra que se puede enseñar a los modelos predictivos a planificar el movimiento de manera muy eficiente en cuanto a datos. El equipo cree que su sistema se puede usar para manipular materiales con una variedad de instrumentos y podrá ayudar con las tareas y deberes del hogar, lo que puede ser especialmente beneficioso para las personas mayores o con movilidad restringida. En el futuro, planean ayudar al modelo a comprender y completar tareas de planificación a más largo plazo, como predecir cómo se deformará la masa dada la herramienta, los movimientos y las acciones actuales.
Este artículo está escrito como un artículo resumido por el personal de Marktechpost basado en el documento ‘RoboCraft: aprendiendo a ver, simular y dar forma a objetos elastoplásticos con redes gráficas‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y entrada en el blog.
Por favor, no olvides unirte a nuestro Subreddit de aprendizaje automático
Cookies no necesarias para ver el contenido.” data-cli-src=”https://www.youtube.com/embed/L-bf3VqapL8?version=3&rel=1&showsearch=0&showinfo=1&iv_load_policy=1&fs=1&hl=en-US&autohide= 2&wmode=transparent” allowfullscreen=”true” style=”border:0;” sandbox=”allow-scripts allow-mismo-origin allow-popups allow-presentation”>
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
