Questa ricerca sull’IA del MIT e di Meta AI svela un controller innovativo ed economico per la riorientazione avanzata in tempo reale degli oggetti tenuti in mano nella robotica

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/11/ezgif-5-a1af01d481.gif”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/11/ezgif-5-a1af01d481-150×150.gif”/><p>Ricercatori dell’MIT e Meta AI hanno sviluppato un controller di riorientamento degli oggetti che può utilizzare una singola telecamera di profondità per riorientare in tempo reale diverse forme di oggetti. La sfida affrontata da questo sviluppo è la necessità di un sistema versatile ed efficiente di manipolazione degli oggetti che possa generalizzare a nuove condizioni senza richiedere una posa coerente dei punti chiave tra gli oggetti. La piattaforma può estendersi oltre il riorientamento degli oggetti ad altre attività di manipolazione abile, con opportunità di ulteriori miglioramenti evidenziate per la ricerca futura.</p><p>I metodi attuali utilizzati nella ricerca sul riorientamento degli oggetti hanno limitazioni, come la focalizzazione su oggetti specifici, una gamma limitata e una manipolazione lenta, la dipendenza da sensori costosi e la produzione solo di risultati di simulazione. Questi metodi devono affrontare efficacemente le sfide nel passaggio dalla simulazione a scenari del mondo reale. I tassi di successo sono spesso determinati da soglie di errore, che variano a seconda del compito. La rete di visione degli studenti è stata addestrata per affrontare queste limitazioni e ha dimostrato scarsi divari di generalizzazione tra i dataset.</p><p>Questo studio presenta un metodo per migliorare la destrezza delle mani robotiche affrontando la sfida del riorientamento degli oggetti in mano. Approcci precedenti hanno imposto vincoli e richiesto sensori costosi, limitando la loro versatilità. Per superare queste limitazioni, un controller è stato addestrato attraverso l’apprendimento per rinforzo in simulazione e ha dimostrato con successo la generalizzazione nel mondo reale a nuove forme. Sono state discusse anche le sfide nell’addestramento di controller con ingressi visivi e nel raggiungimento di un efficace trasferimento dalla simulazione al reale.</p><p>Il metodo proposto prevede l’utilizzo dell’apprendimento per rinforzo per addestrare un controller di riorientamento degli oggetti basato sulla visione in simulazione e quindi utilizzarlo direttamente nel mondo reale per il trasferimento zero-shot. I training utilizzano una rete convoluzionale con capacità migliorate e un unità ricorrente controllata in una configurazione da tavolo utilizzando il simulatore fisico Isaac Gym. La funzione di ricompensa incorpora criteri di successo e termini di formatura aggiuntivi. Per valutare l’efficacia del metodo, sono stati effettuati test su oggetti stampati in 3D e nel mondo reale, confrontando i risultati della simulazione e del mondo reale in base alla distribuzione degli errori e ai tassi di successo entro soglie definite.</p><p>Il singolo controller addestrato in simulazione per riorientare 150 oggetti è stato implementato con successo nel mondo reale su manipolatori D’Claw a tre dita e a quattro dita modificati. Le prestazioni in tempo reale a 12 Hz sono state raggiunte utilizzando una workstation standard. La valutazione, che ha utilizzato un sistema di acquisizione del movimento OptiTrack, ha mostrato un accurato riorientamento degli oggetti e la capacità di generalizzazione a nuove forme di oggetti. L’analisi della distribuzione degli errori e dei tassi di successo entro soglie definite ha dimostrato l’efficacia del sistema nel affrontare le sfide del trasferimento dalla simulazione al reale e i miglioramenti di precisione potenziali senza assumere ulteriori condizioni.</p><p>In conclusione, lo studio ha sviluppato con successo un controller in tempo reale mediante apprendimento per rinforzo che può riorientare efficacemente gli oggetti nel mondo reale. Sebbene il tempo mediano di riorientamento del sistema sia di circa sette secondi, pone questioni sull’importanza delle informazioni sulla forma nelle attività di riorientamento. Evidenzia le sfide del trasferimento dei risultati della simulazione al mondo reale. Nonostante queste sfide, il controller ha potenziali applicazioni nella manipolazione abile in mano, soprattutto in ambienti meno strutturati, e sottolinea la necessità di miglioramenti di precisione senza ulteriori condizioni.</p><p>Un’area potenziale per ricerche future è quella di esplorare come l’incorporazione delle caratteristiche della forma possa migliorare le prestazioni di un controller, in particolare in termini di manipolazione precisa e generalizzazione a nuove forme. Potrebbe valere la pena indagare sull’uso di input visivi per l’addestramento, che potrebbero affrontare le limitazioni dei controller attuali basati sull’apprendimento per rinforzo che si basano sull’informazione a pieno stato di simulazione. Infine, studi comparativi con lavori precedenti potrebbero aiutare a contestualizzare i risultati nella letteratura esistente e la manipolazione abile utilizzando hardware open-source richiede ulteriori indagini.</p><p></p>