Daugelio iš mūsų vidinis vaikas jaučia didžiulį džiaugsmą, kai užklysta ant fluorescencinio, guminio vandens, druskos ir miltų mišinio, kuris žemėlapyje sulieja: žaisti tešlą. (Net jei suaugus taip nutinka retai.)
Nors 2 metų vaikams manipuliuoti žaidimo tešla yra smagu ir lengva, robotams sunku valdyti beformį dumblą. Mašinos tampa vis patikimesnės su standžiais objektais, tačiau manipuliuojant minkštais, deformuojančiais objektais susiduriama su daugybe techninių iššūkių, o svarbiausia, kaip ir daugumos lanksčių konstrukcijų atveju, jei perkelsite vieną dalį, greičiausiai paveiksite visą kitą.
Mokslininkai iš MIT kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) ir Stanfordo universiteto neseniai leido robotams žaisti su modeliavimo junginiu, bet ne dėl nostalgijos. Jų naujoji sistema mokosi tiesiogiai iš vaizdinių įvesties, kad robotas su dviejų pirštų griebtuvu galėtų matyti, imituoti ir formuoti tešlinius objektus. „RoboCraft“ galėtų patikimai suplanuoti roboto elgesį, kad sugnybtų ir paleistų žaismingą tešlą, kad padarytų įvairias raides, įskaitant tokias, kurių niekada nematė. Turėdamas vos 10 minučių duomenų, dviejų pirštų griebtuvas pranoko žmones, kurie valdė mašiną nuotoliniu būdu – atlikdamas išbandytas užduotis lygiagrečiai, o kartais net geriau.
„Modeliavimas ir manipuliavimas objektais su dideliu laisvės laipsniu yra esminės galimybės, kad robotai išmoktų atlikti sudėtingas pramonines ir buitines sąveikos užduotis, pavyzdžiui, dėti koldūnus, kočioti sušius ir gaminti keramiką“, – sako Yunzhu. Li, CSAIL doktorantė ir naujo straipsnio apie RoboCraft autorius. „Nors pastaruoju metu buvo padaryta pažanga manipuliuojant drabužiais ir virvėmis, mes nustatėme, kad didelio plastiškumo objektai, tokie kaip tešla ar plastilinas, nepaisant to, kad buityje ir pramonėje yra visur, buvo iš esmės nepakankamai ištirta teritorija. Naudodami RoboCraft, mes mokomės dinamikos modelių tiesiai iš didelio matmens jutimo duomenų, o tai mums yra daug žadantis, duomenimis pagrįstas būdas efektyviai planuoti.
Naudojant neapibrėžtą, lygią medžiagą, prieš pradedant bet kokį efektyvų ir efektyvų modeliavimą ir planavimą, reikia atsižvelgti į visą struktūrą. Paversdamas vaizdus mažų dalelių grafikais, kartu su algoritmais, RoboCraft, naudodamas grafinį neuronų tinklą kaip dinamikos modelį, daro tikslesnes prognozes apie medžiagos formų pasikeitimą.
Paprastai mokslininkai naudojo sudėtingus fizikos treniruoklius, kad modeliuotų ir suprastų objektams taikomą jėgą ir dinamiką, tačiau RoboCraft tiesiog naudoja vaizdinius duomenis. Vidinis sistemos veikimas priklauso nuo trijų dalių, kurios minkštą medžiagą paverčia, tarkime, „R“.
Pirmoji dalis – suvokimas – yra apie mokymąsi „matyti“. Jis naudoja kameras, kad surinktų neapdorotus vaizdinius jutiklių duomenis iš aplinkos, kurie vėliau paverčiami mažais dalelių debesimis, vaizduojančiais formas. Tada grafikas pagrįstas neuroninis tinklas naudoja minėtus dalelių duomenis, kad išmoktų „imituoti“ objekto dinamiką arba jo judėjimą. Tada algoritmai padeda planuoti roboto elgesį, kad jis išmoktų „formuoti“ tešlos dėmę, apsiginklavęs treniruočių duomenimis, gautais iš daugybės žiupsnių. Nors raidės yra šiek tiek laisvos, jos neabejotinai yra reprezentatyvios.
Be mielų formų, komanda (iš tikrųjų) gamina koldūnus iš tešlos ir ruošia įdarą. Šiuo metu, naudojant tik dviejų pirštų griebtuvą, tai didelis klausimas. „RoboCraft“ reikės papildomų įrankių (kepėjui gaminti reikia kelių įrankių; taip pat ir robotams) – kočėlo, antspaudo ir formos.
Ateityje mokslininkai numato RoboCraft naudojimą namų ruošos darbams ir namų ruošos darbams atlikti, o tai gali būti ypač naudinga vyresnio amžiaus žmonėms ar riboto judumo žmonėms. Kad tai būtų pasiekta, atsižvelgiant į daugybę kliūčių, kurios gali kilti, reikėtų kur kas labiau prisitaikančio tešlos ar daikto vaizdavimo, taip pat ištirti, kokios klasės modeliai galėtų būti tinkami pagrindinėms struktūrinėms sistemoms užfiksuoti.
„RoboCraft iš esmės parodo, kad šis nuspėjamasis modelis gali būti išmoktas naudojant labai efektyvius būdus planuoti judesį. Ilgainiui galvojame apie įvairių įrankių naudojimą manipuliuoti medžiagomis“, – sako Li. „Jei galvojate apie koldūnų ar tešlos gaminimą, vienas griebtuvas to neišspręstų. Kitas žingsnis būsimam darbui yra padėti modeliui suprasti ir atlikti ilgesnio horizonto planavimo užduotis, pavyzdžiui, kaip tešla deformuosis atsižvelgiant į esamą įrankį, judesius ir veiksmus.
Li parašė darbą kartu su Haochen Shi, Stanfordo magistrantūros studentu; Huazhe Xu, Stanfordo postdoc; Zhiao Huangas, Kalifornijos universiteto San Diego doktorantas; ir Jiajun Wu, Stanfordo docentas. Jie pristatys tyrimus konferencijoje Robotics: Science and Systems Niujorke. Darbą iš dalies remia Stanfordo į žmogų orientuoto dirbtinio intelekto institutas (HAI), Samsung Global Research Outreach (GRO) programa, Toyota tyrimų institutas (TRI) ir Amazon, Autodesk, Salesforce ir Bosch.
