Une nouvelle approche « ambidextre » permet aux robots de saisir un large éventail d'objets sans formation. Crédit :Adriel Olmos
Le commerce électronique continue de se développer et a atteint de nouveaux niveaux au cours de la récente saison des vacances. Pour répondre rapidement à l'énorme volume et à la variété des commandes, des entreprises comme Amazon, Walmart, et Alibaba investissent massivement dans de nouveaux entrepôts. Pour faire face à la pénurie de main-d'œuvre, de nombreuses entreprises envisagent des robots. Cependant, appréhender de manière fiable une gamme diversifiée de produits reste un grand défi pour la robotique.
Dans un article publié mercredi, 16 janvier dans Robotique scientifique , ingénieurs de l'Université de Californie, Berkeley présente un roman, approche « ambidextre » pour saisir une gamme variée de formes d'objets sans formation.
"Un seul préhenseur ne peut pas manipuler tous les objets, " a déclaré Jeff Mahler, chercheur postdoctoral à l'UC Berkeley et auteur principal de l'article. "Par exemple, une ventouse ne peut pas créer un joint sur des objets poreux tels que des vêtements et des pinces à mâchoires parallèles peuvent ne pas être en mesure d'atteindre les deux côtés de certains outils et jouets."
Mahler travaille dans le laboratoire de Ken Goldberg, un professeur de l'UC Berkeley avec des nominations conjointes au département de génie électrique et d'informatique et au département de génie industriel et de recherche opérationnelle.
Les systèmes robotiques utilisés dans la plupart des centres de distribution de commerce électronique reposent sur des ventouses qui peuvent limiter la gamme d'objets qu'ils peuvent saisir. L'article de l'UC Berkeley présente une approche « ambidextre » compatible avec une variété de types de pinces. L'approche est basée sur une « fonction de récompense » commune pour chaque type de préhenseur qui quantifie la probabilité que chaque préhenseur réussisse. Cela permet au système de décider rapidement quel préhenseur utiliser pour chaque situation. Pour calculer efficacement une fonction de récompense pour chaque type de pince, l'article décrit un processus d'apprentissage des fonctions de récompense en s'entraînant sur de grands ensembles de données synthétiques générés rapidement à l'aide d'une randomisation de domaine structurée et de modèles analytiques de capteurs ainsi que de la physique et de la géométrie de chaque pince.
