Pour mieux comprendre quelles stratégies d'acquisition fonctionnent le mieux pour certains types d'aliments, Bhattacharjee et ses collègues ont collecté des données à partir de 2450 essais d'acquisition de morsures de robots utilisant 16 aliments aux propriétés variables. Lorsqu'ils ont analysé ces données, ils se sont rendu compte que les articles ayant des propriétés physiques similaires présentent des taux de réussite d'acquisition similaires, ce qui permet de généraliser plus facilement une stratégie d'acquisition à des objets inédits. Leurs analyses ont également permis de mieux comprendre comment d'autres facteurs (par exemple, l'environnement entourant la nourriture, pas de fourche, angle de fourche, etc.) peut affecter le succès d'un robot à prendre une bouchée de nourriture dans une assiette.

Sur la base de ces observations, les chercheurs ont développé un cadre d'acquisition de morsure qui utilise deux réseaux de neurones distincts dans une structure hiérarchique. Le premier réseau, appelé RetinaNet, analyse les images d'assiettes pleines contenant différents types d'aliments, puis génère des cadres de délimitation autour des éléments individuels. Le deuxième réseau, SPANet, utilise ces cadres de délimitation pour calculer la probabilité de succès pour différentes actions d'acquisition de morsure et l'axe d'embrochement pour chaque aliment.

"Pour afficher la probabilité de réussite, SPANet utilise également des fonctionnalités liées à l'environnement d'un aliment, comme nous avons constaté que l'environnement environnant affecte le choix d'actions d'un robot ainsi que le taux de réussite, " expliqua Bhattacharjee. " Pour coder les caractéristiques de l'environnement, nous avons développé un classificateur d'environnement qui identifie les éléments comme étant dans l'un des trois environnements suivants :isolé, près d'un bord d'assiette ou d'un autre aliment, ou sur d'autres produits alimentaires."

Les chercheurs ont appliqué leur cadre à un bras robotique JACO et évalué ses performances dans une série d'expériences sur des assiettes épurées et encombrées contenant divers aliments. Ces tests ont donné des résultats très prometteurs, avec leur méthode qui a réussi à généraliser les stratégies de brochette à travers des aliments jamais vus auparavant.

« Notre réseau, SPANet, pourrait généraliser avec succès les actions à des aliments jamais vus auparavant avec des distributions d'actions d'acquisition de morsure similaires, " dit Bhattacharjee. " Pratiquement, cela signifie qu'étant donné un nouvel aliment que le robot n'a jamais vu auparavant, notre réseau devrait être en mesure de déduire comment l'acquérir avec succès à partir d'une assiette/un bol si le nouvel aliment peut être acquis par des actions similaires. »

À l'avenir, le cadre d'acquisition de morsure développé par Bhattacharjee et ses collègues pourrait aider au développement de systèmes d'alimentation assistés par robot plus efficaces. Pendant ce temps, les chercheurs envisagent d'étendre les actions d'acquisition de morsure de leur approche, car cela permettrait aux robots alimentés par leur cadre de ramasser une plus grande variété de nourriture, y compris des articles tels que le riz et la purée de pommes de terre.

"Nous sommes également intéressés à explorer des moyens d'acquérir des aliments inédits qui nécessitent des actions très différentes pour les ramasser par rapport à ce que le robot a vu auparavant, " a déclaré Bhattacharjee.

© 2019 Réseau Science X