Taktil robotik: robot med känsla av beröring: den nya generationen av Vulcan och co-forskning om haptiskt objektigenkänning-image: xpert.digital
MIT -system för objektigenkänning utan speciella sensorer och Vulcan -roboten från Amazon
Haptisk uppfattning för maskiner: Nya standarder i objektigenkänning
Inom robotområdet markerar utvecklingen av taktila sensor och identifieringssystem en avgörande framsteg som för första gången gör det möjligt för maskiner att inte bara se sina omgivningar utan också "känna". Denna utveckling exemplifieras av Amazons nya Vulcan -robot och det innovativa objektdetekteringssystemet i MIL. Båda teknikerna utökar avsevärt de möjliga användningarna av robotar och möjliggör uppgifter som tidigare har hanterats uteslutande av människor med sin naturliga haptiska uppfattning.
Lämplig för detta:
Vulcan -roboten från Amazon: Ett genombrott i området för det taktila robothandtaget
Funktions- och tekniska grunder
Vulcan -roboten som utvecklats av Amazon representerar betydande tekniska framsteg inom området fysisk konstgjord intelligens. Amazon beskriver själva utvecklingen som ett "genombrott i robotik och fysisk AI". Systemet består av två huvudkomponenter: "Stow" för att stuvas och "plocka" för att ta bort objekt. Dess enastående kvalitet är förmågan att uppfatta sin omgivning taktil.
Den tekniska grunden för Vulcans taktila färdigheter bildar speciella krafttågsensorer som ser ut som en hockeypuck och gör det möjligt för roboten att "känna" kraften som han kan ta ett föremål utan att skada det. Adam Parness, chef för Robotics AI på Amazon, betonar det unika med detta tillvägagångssätt: ”Vulcan är inte vår första robot som kan flytta föremål. Men med hans känsla av beröring - för att förstå hans förmåga att förstå när och hur han kommer i kontakt med ett objekt - han öppnar upp nya möjligheter att optimera arbetsprocesser och faciliteter”.
För att sortera föremål i hyllorna använder Vulcan ett verktyg som liknar en linjal som är limmad på ett smidigt hår. Med denna "härskare" skjuter han andra föremål åt sidan för att ge plats för nya artiklar. De gripande armarna anpassar handtagets tjocklek beroende på objektets storlek och form, medan integrerade transportband pressar föremålet i behållaren. För att få ut föremål använder Vulcan en suggripare i kombination med ett kamerasystem.
Aktuella områden för tillämpning och prestanda
Vulcan -roboten testas för närvarande i två Amazon -logistikcentra: i Winsen nära Hamburg (Tyskland) och i Spokane, Washington (USA). I Washington är sex Stow-Vulcan-robotar aktiva, som redan har lagrat en halv miljon artiklar. Två pick-vulkaner arbetar i Winsen som redan har hanterat 50 000 beställningar.
Systemets prestanda är anmärkningsvärt: Vulcan kan för närvarande hantera cirka 75 procent av de miljoner produkter som Amazon erbjuder. Den minsta objektstorleken som roboten kan manipulera motsvarar en läppstift eller en USB -pinne. Särskilt imponerande är robotens förmåga att identifiera objekten i realtid, eftersom det är "omöjligt för honom att memorera alla detaljer i artiklarna", som Parness förklarar.
Framtida planer och integration i logistikkedjan
Amazon planerar att öka antalet Vulcan -robotar avsevärt under de närmaste åren. I år ska antalet vulkaner i Winsen ökas till 60 och i Washington till 50 stycken. På lång sikt är det planerat att använda robotarna i logistikcentra i hela Europa och USA.
En viktig aspekt av Amazon -strategin är samexistensen av man och maskin. Företagets "masterplan" föreskriver att människor och maskiner arbetar sida vid sida parallellt. Framför allt bör robotarna ta över produkterna på hyllan som mannen inte når utan en stege eller för vilken han skulle behöva böja för mycket. Detta bör leda till högre total effektivitet och samtidigt minska arbetsbelastningen för mänskliga anställda.
MIT -systemet för objektigenkänning genom hantering: Intelligent "känsla" utan speciella sensorer
Innovativ strategi för objektigenkänning
Parallellt med Amazons Vulcan har forskare av MIT, från Amazons robotik och University of British Columbia, utvecklat ett system som följer en annan strategi för att ge robotar haptiska färdigheter. Denna teknik gör det möjligt för robotar att känna igen egenskaper hos ett objekt som vikt, mjukhet eller innehåll genom att helt enkelt plocka upp den och skaka den lätt - som människor när de hanterar okända föremål.
Det speciella med detta tillvägagångssätt är att inga speciella taktila sensorer krävs. Istället använder systemet den gemensamma koden som redan finns i de flesta robotar - sensorer som fångar ledens rotationsposition och hastighet under rörelsen. Peter Yichen Chen, en MIT-Postdoc och huvudförfattare till forskningsarbetet, förklarar visionen bakom projektet: ”Min dröm skulle vara att skicka robotar ut i världen så att de berör och flyttar saker och självständigt ta reda på egenskaperna för vad de interagerar med”.
Tekniska funktions- och simuleringsmodeller
Kärnan i MIT -systemet består av två simuleringsmodeller: en som simulerar roboten och dess rörelse, och en som reproducerar objektets dynamik. Chao Liu, en annan MIT-Postdoc, betonar vikten av dessa digitala tvillingar: "En exakt digital kopia av den verkliga världen är verkligen viktig för framgången för vår metod".
Systemet använder en teknik som kallas "differentifierbar simulering", som gör det möjligt för algoritmen att förutsäga hur små förändringar i egenskaperna hos ett objekt, såsom massa eller mjukhet, påverkar robotfogarnas slutposition. Så snart simuleringen matchar robotens faktiska rörelser har systemet identifierat objektets korrekta egenskaper.
En avgörande fördel med denna metod är dess effektivitet: algoritmen kan utföra beräkningarna inom några sekunder och kräver endast en verklig rörelsebana för roboten för att fungera. Detta gör systemet särskilt billigt och praktiskt för verkliga applikationer.
Applikationspotential och fördelar
Den utvecklade tekniken kan vara särskilt användbar i applikationer där kameror är mindre effektiva, till exempel när du sorterar föremål i en mörk källare eller när ruinerrummet i en delvis kollapsade byggnad efter en jordbävning.
Eftersom algoritmen inte behöver en omfattande datauppsättning för träning, till exempel vissa metoder som förlitar sig på datorsyn eller externa sensorer, är det mindre mottagligt för fel om det konfronteras med okända miljöer eller nya objekt. Detta gör systemet särskilt robust och mångsidigt.
Det bredare forskningslandskapet till taktila sensorer i robotik
Grundläggande utmaningar och aktuella lösningar
Utvecklingen av robotar med känsla av beröring ger forskning med grundläggande utmaningar. Medan det mänskliga taktila systemet är extremt komplicerat och nyanserat, måste konstgjorda system reproducera detta med tekniska medel. Ken Goldberg, en robot från University of California, Berkeley, betonar komplexiteten i denna uppgift: "Den mänskliga känslan av beröring är oerhört nyanserad och komplex, med ett omfattande dynamiskt område." Medan robotar gör framsteg snabbt, skulle jag bli förvånad över att se taktila sensorer på mänsklig nivå under de kommande fem till tio åren. "
Trots dessa utmaningar finns det stora framsteg inom forskning. Fraunhofer IFF utvecklar till exempel taktila sensorsystem som möjliggör det reaktiva greppet enligt modellen för den mänskliga handen och är idealiska för hantering av bräckliga eller böjplattor. Sensordata används för att anpassa griparen, komponenten och platsigenkänningen samt för processövervakning.
Innovativa forskningsprojekt inom taktil robotik
Förutom utvecklingen av Amazon och MIT finns det andra viktiga forskningsprojekt inom taktila robotsensorer:
Max Planck Institute for Intelligent Systems har utvecklat en haptisk sensor som heter Insight, som uppfattar beröring med hög känslighet. Georg Martius, forskargruppsledare vid institutet, betonar sensorns prestanda: "Vår sensor visar en utmärkt prestanda tack vare den innovativa mekaniska designen av skalet, det skräddarsydda bildsystemet inuti, automatisk datainsamling och tack vare de senaste djupa inlärningsmetoderna". Sensorn är så känslig att den till och med kan känna hans egen orientering i förhållande till tyngdkraften.
Ett annat intressant projekt är DensePehysNet, ett system som aktivt utför en sekvens av dynamiska interaktioner (t.ex. glidande och kolliderande) och använder en djup förutsägbar modell om dess visuella observationer för att lära sig densitet, pixelerade representationer som återspeglar de fysiska egenskaperna observerade objekt. Experimenten i både simulering och verkliga miljöer visar att de lärda representationerna innehåller rik fysisk information och kan användas direkt för avkodning av fysiska objektegenskaper såsom friktion och massa.
Lämplig för detta:
Framtidsutsikter för taktila robotsystem
Integration av multimodala sensorsystem
Framtiden för taktil robotik ligger i integrationen av olika sensoriska metoder. Forskare av arbetet redan för att lära ut konstgjord intelligens, för att kombinera sinnen som att se och röra. Genom att förstå hur dessa olika sensoriska modaliteter fungerar tillsammans kan robotar utveckla en mer holistisk förståelse av deras omgivningar.
MIT -teamet planerar redan att kombinera din metod för objektigenkänning med datorsyn för att skapa multimodala sensorer som är ännu effektivare. "Detta arbete försöker inte ersätta datorsyn. Båda metoderna har sina fördelar och nackdelar. Men här har vi visat att vi redan kan ta reda på några av dessa egenskaper utan en kamera," förklarar Chen.
Utökade tillämpningsområden och framtida utveckling
Forskarna i MIT -teamet vill också undersöka applikationer med mer komplexa robotsystem som mjuka robotar och mer komplexa föremål, inklusive Slosh -vätskor eller granulära medier som sand. På lång sikt hoppas du kunna använda denna teknik för att förbättra robotinlärningen för att göra det möjligt för framtida robotar att snabbt utveckla nya manipulationsförmågor och anpassa sig till förändringar i din miljö.
Amazon planerar att vidareutveckla Vulcan -tekniken under de kommande åren och att använda den i större skala. Integrationen av Vulcan med företagets 750 000 mobila robotar indikerar ett omfattande automatiseringskoncept som i grunden kan förändra logistikindustrin.
Taktil inlärning: När sensorer ger robotstakt
Utvecklingen av robotar med känsla av beröring, exemplifierad av Amazons Vulcan och kollegsystemet för objektigenkänning, markerar en avgörande vändpunkt i robotik. Dessa tekniker gör det möjligt för robotar att ta på sig uppgifter som tidigare var reserverade för människor eftersom de kräver en känslighet och taktil förståelse.
De olika tillvägagångssätten-Amazons fokus på specialiserade sensorer och sambegreppet att använda befintliga sensorer för haptiska slutsatser-visa mångfalden i forskningsriktningarna inom detta område. Båda metoderna har sina specifika styrkor och tillämpningsområden.
Med den progressiva integrationen av taktiska färdigheter i robotsystem öppnar nya möjligheter för automatisering av komplexa uppgifter inom logistik, produktion, sjukvård och många andra områden. Förmågan hos robotar inte bara att se sina omgivningar, utan också att "känna", ger oss ett betydande steg närmare en framtid där robotar och människor kan arbeta tillsammans ännu närmare och mer intuitiva.
Lämplig för detta:
