Группа инженеров из Лаборатории кибернетики Массачусетского технологического института разработала систему Dense Object Nets (DON), которая позволяет роботам оценивать форму предметов достаточно точно для того, чтобы захватывать их, удерживать и производить простые манипуляции без предварительного обучения на конкретном типе объектов.

Чтобы система составила трехмерную карту объекта, рука-манипулятор поворачивает закрепленные на ней камеры под разными углами; нейросеть распознает изображения, поступающие с камеры, и определяет точные координаты каждой из множества точек, на которые раскладывается объект.

Обработав эти координаты, система классифицирует объекты и их части и анализирует пространственные отношения между ними. Чтобы продемонстрировать это, создатели DON сняли видео, на котором управляемый системой манипулятор сортирует ботинки по цветам и по команде поднимает их указанным способом — за язычок, — даже если никогда раньше не сталкивался с ботинком конкретного типа. В этом он похож на робота DexNet от инженеров из Калифорнийского университета в Беркли, хотя между управляющими ими алгоритмами есть большое различие: DexNet умеет только хватать предметы, но не умеет брать их в заданном месте и не различает типы объектов.

«Системы, использующие другие подходы к идентификации объектов, испытывают сложности, когда предмет ориентирован по отношению к роботу необычным способом. Для большинства поднять чашку за ручку — невыполнимая задача именно потому, что кружка может, например, лежать на боку или стоять вверх дном», — поясняет Лукас Мануэлли (Lucas Manuelli), один из разработчиков DON.

Роботами, умеющими различать, сортировать предметы и правильно с ними обращаться, могут найти применение на складах; создатели DON рассчитывают, что их разработка привлечет внимание крупных ретейлеров, таких как Amazon и Walmart. Кроме того, роботы, которые хорошо ориентируются в мире вещей, могут пригодиться дома — как помощники по хозяйству.

Существует два популярных подхода к обучению машин манипуляциям с физическими объектами. Первый подразумевает узкоспециальное обучение на конкретных примерах, второй — создание универсального алгоритма захвата. В первом случае машина будет справляться только с ограниченным набором заданий — скажем, сможет поднимать мячи, — но не справится с кубиком, пока ее не обучат брать кубики. Универсальные способы хватать вещи редко бывают эффективными, а кроме того, с захваченным «универсальным» способом предметом трудно производить точные манипуляции: например, поставить на заданное место. DON справляется даже с незнакомыми объектами и позволяет точно предсказывать, в какой точке окажутся их конкретные точки после перемещения.

Читайте также