Si vous regardez ce robot de sélection et de placement, vous comprenez rapidement pourquoi c'est un gros problème, pas tellement pour la dextérité et les mouvements fins, bien que le robot marque dans les deux, mais juste parce qu'il est si intelligent.

Il est tout à fait évident d'après les reportages qui sortent des laboratoires universitaires que les bras et les mains robotiques conçus pour la cueillette et le tri sont un sujet fréquent; des chercheurs ambitieux tentent d'obtenir un score plus élevé pour des solutions efficaces.

Comme le dit le MIT CSAIL, "pour tous les progrès que nous avons réalisés avec les robots, ils ont encore à peine les compétences d'un enfant de deux ans. Les robots d'usine peuvent ramasser le même objet encore et encore, et certains peuvent même faire des distinctions de base entre les objets, mais ils ont généralement du mal à comprendre un large éventail de formes et de tailles d'objets, ou être capable de déplacer lesdits objets dans différentes poses ou emplacements."

Le buzz de cette semaine est tout au sujet de ce robot, avec son style « points-clés » pour atteindre un niveau de coordination plus avancé. Ils ont exploré une nouvelle façon d'identifier et de déplacer des classes entières d'objets, les représenter comme des groupes de points-clés 3-D.

L'ingénieur a cité le professeur du MIT Russ Tedrake, auteur principal de l'article décrivant leur travail et sur arXiv. "Les robots peuvent presque tout ramasser, mais si c'est un objet qu'ils n'ont jamais vu auparavant, ils ne peuvent pas vraiment le poser de manière significative. »

L'ingénieur a fait un clin d'œil à une approche qui sonnait comme "une sorte de feuille de route visuelle qui permet une manipulation plus nuancée".

Vous pouvez voir le robot en action dans une vidéo d'aperçu kPAM, "Manipulation précise du robot avec des objets jamais vus auparavant." Qu'est-ce que kpam ? Cela signifie Keypoint Affordances for Robotic Level Manipulation. Le robot obtient toutes les informations dont il a besoin, déplacer et placer des objets.

« Comprendre un peu plus l'objet – l'emplacement de quelques points clés – est suffisant pour permettre un large éventail de tâches de manipulation utiles, ", a déclaré Russ Tedrake, professeur au MIT.

Un article décrivant leur travail, qui est sur arXiv, est intitulé « kPAM : KeyPoint Affordances for Category-Level Robotic Manipulation, " de Lucas Manuelli, Wei Gao, Peter Florence et Russ Tedrake. Ils sont avec CSAIL (Computer Science and Artificial Intelligence Laboratory) du Massachusetts Institute of Technology.

Voici ce que les auteurs de l'article avaient à dire sur la façon dont leur approche s'éloigne des « pipelines de manipulation » existants. Ces derniers spécifient généralement la configuration souhaitée en tant que pose cible 6-DOF, qui a ses limites. Représenter un objet "avec une transformation paramétrée définie sur un modèle fixe ne peut pas capturer de grandes variations de forme intra-catégorie, et spécifier une pose cible au niveau d'une catégorie peut être physiquement infaisable ou échouer à accomplir la tâche."

Connaître la pose et la taille d'une tasse à café par rapport à une tasse canonique est ok, mais il ne suffit pas de l'accrocher à une crémaillère par sa poignée. Leur approche utilise des "points-clés sémantiques 3-D comme représentation d'objet". Quels ont été les résultats de leur exploration ? Leur méthode était capable de gérer "de grandes variations intra-catégorie sans aucun réglage ou spécification au niveau de l'instance".

L'équipe a rapporté que "De nombreuses expériences matérielles démontrent que notre méthode peut accomplir de manière fiable des tâches avec des objets jamais vus auparavant dans une catégorie, comme placer des chaussures et des tasses avec une variation de forme significative dans des configurations cibles au niveau de la catégorie. »

© 2019 Réseau Science X