Des chercheurs proposent un moyen d'aider les robots à mieux trancher les légumes

Rejoignez des cadres supérieurs à San Francisco les 11 et 12 juillet pour découvrir comment les dirigeants intègrent et optimisent les investissements en IA pour réussir. Apprendre encore plus

Vous êtes-vous déjà demandé pourquoi les robots ont parfois du mal à manipuler des objets que les humains peuvent saisir facilement ? Les tâches de manipulation doivent être abstraites dans des représentations d'entités avant que les machines puissent les utiliser pour apprendre des politiques (c'est-à-dire des compétences), et ces représentations doivent généralement être prédéfinies manuellement - une entreprise difficile dans des tâches complexes impliquant des objets déformables, par exemple, ou des propriétés matérielles variables.

Une alternative viable est les méthodes d'apprentissage en profondeur, qui permettent aux robots d'acquérir des représentations de manière autonome à partir de l'expérience. À cette fin, des chercheurs de l'Université Carnegie Mellon décrivent dans un article préimprimé ("Learning Semantic Embedding Spaces for Slicing Vegetables") une méthode pour combiner les connaissances préalables sur les tâches et l'apprentissage basé sur l'expérience pour acquérir des représentations, en se concentrant sur la tâche de couper les concombres et les tomates en tranches.

"Apprendre à trancher des légumes est une tâche complexe, car elle implique de manipuler des objets déformables en différentes formes ainsi que la création de nouveaux objets sous forme de tranches", ont écrit les chercheurs. "L'introduction de tâches auxiliaires significatives pendant la formation permet à notre modèle d'apprendre un espace d'intégration sémantiquement riche qui encode des a priori et des propriétés utiles, telles que l'épaisseur du légume coupé, dans notre représentation d'état."

La configuration expérimentale de l'équipe se compose de deux bras de recherche Franka Emika Panda à 7 degrés de liberté et d'une caméra Intel RealSense montée sur le côté qui collecte des informations brutes sur les pixels de la scène. Le bras droit - le "bras de maintien" - est utilisé pour cueillir, placer et tenir les légumes coupés sur une planche à découper à l'aide de pinces attachées à ses doigts. Pendant ce temps, le bras gauche - le "bras coupant" - saisit un porte-outil imprimé en 3D avec un couteau qu'il utilise pour trancher les légumes tenus par l'autre bras.

Transformer 2023

Rejoignez-nous à San Francisco les 11 et 12 juillet, où des cadres supérieurs partageront comment ils ont intégré et optimisé les investissements en IA pour réussir et éviter les pièges courants.

Couper les légumes en tranches d'épaisseur différente nécessite que les bras du robot effectuent plusieurs actions de coupe variables. Ils doivent d'abord détecter la fin des légumes, se déplacer vers le haut et une certaine distance vers les légumes pour faire une tranche et effectuer une coupe.

Les chercheurs ont collecté 10 trajectoires d'humains utilisant le bras du robot pour effectuer des actions de coupe afin d'établir des paramètres, et ont utilisé la séquence de coupe décrite ci-dessus comme paramètre principal. Pour créer un ensemble de données de découpage de légumes, ils ont échantillonné au hasard le nombre de tranches à couper au début de chaque démonstration et enregistré l'épaisseur de tranche pour chaque tranche.

Ensuite, l'équipe a formé un nouveau réseau d'intégration, qui, selon eux, a permis au modèle proposé de capturer des attributs utiles spécifiques à la tâche. "En introduisant la tâche auxiliaire de prédire l'épaisseur de la tranche de légume coupée", ont-ils écrit, "nous forçons notre réseau d'intégration à modéliser les propriétés centrées sur l'objet importantes pour la tâche de trancher les légumes."

Alors, quelle a été l'efficacité de l'approche, en fin de compte ? Dans les expériences, les chercheurs disent avoir vu des preuves que les représentations apprises pouvaient être généralisées à différentes formes et tailles, et qu'elles "offraient une représentation riche" pour apprendre des modèles de manipulation. "Nos [tests] montrent que le modèle appris apprend une compréhension continue d'attributs importants tels que l'épaisseur de la tranche coupée", ont écrit les auteurs de l'article.

La mission de VentureBeat est d'être une place publique numérique permettant aux décideurs techniques d'acquérir des connaissances sur la technologie d'entreprise transformatrice et d'effectuer des transactions. Découvrez nos Briefings.