ブログ

May 12, 2024

このAIトレーナーはデュアルで驚くべき結果を達成しました

クレジット: Yijiong Lin/University of Bristol 購読すると、当社の利用規約とポリシーに同意したものとみなされます。いつでも購読を解除できます。 ブリストル大学の科学者は新しいものを開発しました

クレジット: Yijiong Lin/ブリストル大学

購読すると、当社の利用規約とポリシーに同意したものとみなされます。いつでも購読を解除できます。

ブリストル大学の科学者は、ロボットが仮想ヘルパーからのタッチで両手作業を学習できる新しいシステムを開発しました。 Bi-Touch システムは、果物狩り、家事サービス、義肢などの業界に応用できる可能性があります。

ロボット工学における両手操作は、精度、調整、フィードバックを必要とするタスクを実行するために 2 本の腕または手を使用するロボット操作の一種です。 両手操作は、調味料カップを開けたり、バッテリーを差し込んだりするなど、大きくて扱いにくい、または結合されたオブジェクトを操作するのに役立ちます。 低コストのハードウェアと模倣学習アルゴリズムを使用すると、人間によるデモンストレーションから両手操作を学習することもできます。

Bi-Touch システムを使用すると、ロボットはデジタル アシスタントからのコマンドを解釈して手動タスクを実行できます。 IEEE Robotics and Automation Letters で公開された最近の研究結果では、触覚および固有受容フィードバックを使用してロボットの動作を制御する AI エージェントが紹介されています。 この熟練により、正確なセンシング、穏やかなインタラクション、効果的なオブジェクト操作が可能になります。

触覚双腕ロボット システムは、AI とロボット触覚センシングの最新の進歩を使用して設計されました。 研究者らは、ロボットアーム、触覚センサー、学習を促す報酬機能を備えた仮想世界を構築した。

研究者らは、ロボット学習の最先端技術である深層強化学習 (Deep-RL) を利用しました。これは、犬に報酬と罰を与えて訓練するのと似ています。 このシステムにより、ロボットは意思決定を行い、試行錯誤から学習し、時間の経過とともにタスクを実行する最も効果的な方法を発見できるようになります。

注目に値する成果を 1 つ挙げてください。 このロボットは、プリングル ポテト 1 個ほどの繊細な物体を安全に持ち上げることができます。

プレスリリースの中で、筆頭著者である工学部の Yijiong Lin 氏は、Bi-Touch システムのパワーと効率性を雄弁に説明しました。 「仮想世界で AI エージェントを数時間以内に簡単にトレーニングして、タッチ操作に合わせた両手操作のタスクを達成することができます」とリン氏は述べ、これらの仮想でトレーニングされたエージェントは追加のトレーニングなしで現実世界に直接適用できると付け加えました。

人間レベルのロボットの器用さには、両手操作が不可欠です。 ただし、この分野は、複雑さと適切なハードウェアの可用性のために、未開拓のままです。 Bi-Touch システムはこれらの障壁を超え、ロボット技術の新時代の到来を告げます。

共著者のネイサン・レポラ教授は、「私たちのBi-Touchシステムは、シミュレーションでタッチによる両手操作の動作を学習するための、手頃な価格のソフトウェアとハ​​ードウェアを備えた有望なアプローチを示しており、現実世界に直接適用できます。」と誇らしげに述べています。

開発された触覚双腕ロボット シミュレーションのオープンソースの性質により、さまざまな分野でのさらなる研究開発が促進されることが期待されます。

Bi-Touch システムは、仮想世界と現実世界のアプリケーションの間のギャップを埋める記念碑的な一歩を意味します。 優しいタッチで物体を学習、適応、操作するその能力は無限の可能性をもたらし、ロボットが達成できることについての私たちの見方を再構築します。

Bi-Touch システムの出現により、技術革新の裾野は広がり、産業と研究の両方にエキサイティングな未来が約束されています。

この研究はIEEE Robotics and Automation Lettersに掲載されました。

触覚フィードバックを伴う両手操作は、人間レベルのロボットの器用さの鍵となります。 ただし、このトピックはシングルアーム設定ほど検討されていません。これは、適切なハードウェアが利用できることと、比較的大きな状態アクション空間を持つタスクに効果的なコントローラーを設計する複雑さが原因の 1 つです。 ここでは、2 つの手頃な価格の産業レベルのロボット アームと低コストの高解像度触覚センサー (TacTips) を統合する、Tactile Gym 2.0 セットアップに基づく双腕触覚ロボット システム (Bi-Touch) を紹介します。 我々は、触覚フィードバックに合わせて調整された一連の両手操作タスク、すなわち、双方向押し、双方向再配向、双方向収集を提示します。 効果的なポリシーを学習するために、これらのタスクに適切な報酬関数を導入し、深層強化学習による新しい目標更新メカニズムを提案します。 また、これらのポリシーを、触覚的なシミュレーションから現実へのアプローチで現実世界の設定に適用します。 私たちの分析は、シミュレーションとリアルのアプリケーション中に遭遇するいくつかの課題を強調し、それに対処します。たとえば、学習されたポリシーは、シミュレーションとリアルのギャップにより、双方向再配向タスクでオブジェクトを圧迫する傾向があります。 最後に、現実世界で摂動を適用したさまざまな目に見えないオブジェクトを実験することにより、このシステムの一般化可能性と堅牢性を実証します。