Yayınlanan: 8 Mayıs 2025 / Güncelleme: 9 Mayıs 2025 - Yazar: Konrad Wolfenstein
Dokunsal Robotik: Dokunuş duygusu ile robot: Yeni nesil Vulcan ve Eşik Nesne Tanıma Üzerine Araştırma: Xpert.digital
Amazon'dan özel sensörler ve Vulcan robotu olmadan nesne tanıma için MIT sistemi
Makineler için dokunsal algı: nesne tanımada yeni standartlar
Robotik alanında, dokunsal sensör ve tanımlama sistemlerinin geliştirilmesi, ilk kez makinelerin sadece çevrelerini görmesini değil, aynı zamanda “hissetmesini” sağlayan belirleyici bir ilerlemeyi işaret etmektedir. Bu gelişme Amazon'un yeni Vulcan robotu ve MIL'in yenilikçi nesne algılama sistemi tarafından örneklendirildi. Her iki teknoloji de robotların olası kullanımlarını önemli ölçüde genişletir ve daha önce sadece doğal dokunsal algıları olan insanlar tarafından yönetilen görevleri etkinleştirir.
İçin uygun:
Amazon'dan Vulcan Robotu: Dokunlu Robot sapı alanında bir atılım
İşlevsel ve teknolojik temeller
Amazon tarafından geliştirilen Vulcan robotu, fiziksel yapay zeka alanında önemli teknolojik ilerlemeyi temsil ediyor. Amazon, gelişimin kendisini “robotik ve fiziksel yapay zekada bir atılım” olarak tanımlıyor. Sistem iki ana bileşenden oluşur: “Stow” istiflemek ve nesneleri kaldırmak için “seç”. Olağanüstü kalitesi, çevresini dokunsal olarak algılama yeteneğidir.
Vulcans dokunsal becerilerinin teknolojik temeli, bir hokey diski gibi görünen ve robotun bir nesneyi zarar vermeden yakalayabileceği gücü "hissetmesini" sağlayan özel güç tork sensörleri oluşturur. Amazon'daki Robotik AI direktörü Adam Parness, bu yaklaşımın benzersizliğini vurguluyor: “Vulcan, nesneleri hareket ettirebilen ilk robotumuz değil. Ama dokunma duygusu - bir nesne ile ne zaman ve nasıl temas kurduğunu anlama yeteneğini anlama yeteneğini - çalışma süreçlerini ve tesislerini optimize etmek için yeni olasılıklar açıyor”.
Raflardaki nesneleri sıralamak için Vulcan, saç pürüzsüz bir demirine yapıştırılmış bir cetvele benzer bir araç kullanır. Bu “cetvel” ile yeni makalelere yer açmak için diğer nesneleri bir kenara itiyor. Griping kolları, nesnenin boyutuna ve şekline bağlı olarak sap kalınlıklarını uyarlarken, entegre konveyör bantları nesneyi kabın içine iter. Nesneleri çıkarmak için Vulcan, bir kamera sistemi ile birlikte bir emme tutucu kullanır.
Mevcut uygulama ve performans alanları
Vulcan robot şu anda iki Amazon lojistik merkezinde test ediliyor: Hamburg (Almanya) yakınlarındaki Winsen ve Washington (ABD) Spokane'de. Washington'da altı Stow-Vulcan robotu aktiftir, bu da zaten yarım milyon makaleyi başarıyla saklamış. Winsen'de iki pick-vulcan çalışıyor.
Sistemin performansı dikkat çekicidir: Vulcan şu anda Amazon'un sunduğu milyonlarca ürünün yaklaşık yüzde 75'ini idare edebilir. Robotun manipüle edebileceği en küçük nesne boyutu bir ruj veya bir USB çubuğuna karşılık gelir. Özellikle etkileyici olan, Robot'un nesneleri gerçek zamanlı olarak tanımlama yeteneğidir, çünkü Parness'in açıkladığı gibi “öğelerin tüm özelliklerini ezberlemesi imkansızdır”.
Gelecek planları ve lojistik zincirine entegrasyon
Amazon, önümüzdeki birkaç yıl içinde Vulcan robotlarının sayısını önemli ölçüde artırmayı planlıyor. Bu yıl Winsen'deki Vulcans sayısı 60'a ve Washington'da 50 parçaya çıkarılacak. Uzun vadede, robotların Avrupa ve ABD'deki lojistik merkezlerinde kullanılması planlanmaktadır.
Amazon stratejisinin önemli bir yönü insan ve makinenin bir arada bulunmasıdır. Şirketin “Master Plan”, insanların ve makinelerin paralel olarak yan yana çalışmasını sağlar. Her şeyden önce, robotlar raftaki, insanın merdiven olmadan ulaşmadığı veya çok fazla bükülmesi gereken ürünleri devralmalıdır. Bu, daha yüksek genel verimliliğe yol açmalı ve aynı zamanda insan çalışanları için iş yükünü azaltmalıdır.
Kullanım yoluyla nesne tanıma için MIT sistemi: özel sensörler olmadan akıllı “his”
Nesne tanıma için yenilikçi yaklaşım
Amazon'un Vulcan'ına paralel olarak, Amazon Robotics ve British Columbia Üniversitesi'nden MIT araştırmacıları, robotlara haptik beceriler vermek için farklı bir yaklaşım izleyen bir sistem geliştirdi. Bu teknoloji, robotların ağırlık, yumuşaklık veya içerik gibi bir nesnenin özelliklerini sadece onu alıp kolayca sallayarak - bilinmeyen nesnelerle uğraşırken insanlar gibi tanımasını sağlar.
Bu yaklaşımla ilgili özel şey, özel dokunsal sensörlerin gerekli olmamasıdır. Bunun yerine, sistem çoğu robotta zaten var olan eklem kodu kullanır - hareket sırasında eklemlerin dönüş konumunu ve hızını yakalayan sensörler. Bir MIT-Postdoc ve araştırma çalışmalarının ana yazarı Peter Yichen Chen, projenin arkasındaki vizyonu açıklıyor: “Hayalim, robotları dünyaya göndermek, böylece bir şeylere dokunup hareket etmeleri ve bağımsız olarak etkileşime girdiklerinin özelliklerini öğrenmeleri olacaktır”.
Teknik İşlev ve Simülasyon Modelleri
MIT sisteminin çekirdeği iki simülasyon modelinden oluşur: biri robotu ve hareketini simüle eden, diğeri nesnenin dinamiklerini yeniden üreten. Başka bir MIT-Postdoc olan Chao Liu, bu dijital ikizlerin önemini vurguluyor: "Gerçek dünyanın tam bir dijital kopyası yöntemimizin başarısı için gerçekten önemlidir".
Sistem, algoritmanın kütle veya yumuşaklık gibi bir nesnenin özelliklerindeki küçük değişikliklerin robot eklemlerinin bitiş konumunu nasıl etkilediğini tahmin etmesini sağlayan “Farklı Simülasyon” adı verilen bir teknoloji kullanır. Simülasyon robotun gerçek hareketleriyle eşleşir eşleşmez, sistem nesnenin doğru özelliklerini tanımlamıştır.
Bu yöntemin belirleyici bir avantajı verimliliğidir: algoritma hesaplamaları saniyeler içinde gerçekleştirebilir ve sadece robotun çalışmak için gerçek bir hareket yörüngesini gerektirir. Bu, sistemi gerçek uygulamalar için özellikle ucuz ve pratik hale getirir.
Uygulama potansiyeli ve avantajları
Geliştirilen teknoloji, kameraların daha az etkili olduğu uygulamalarda özellikle yararlı olabilir, örneğin karanlık bir bodrumdaki nesneleri sıralarken veya kalıntıların bir depremden sonra kısmen çökmüş bir binadaki odasına oturması gibi.
Algoritmanın, bilgisayar görüşüne veya harici sensörlere dayanan bazı yöntemler gibi eğitim için kapsamlı bir veri kümesine ihtiyaç duymadığından, bilinmeyen ortamlarla veya yeni nesnelerle karşı karşıya kalırsa hatalara daha az duyarlıdır. Bu, sistemi özellikle sağlam ve çok yönlü hale getirir.
Robotikte dokunsal sensörlere daha geniş araştırma manzarası
Temel zorluklar ve güncel çözümler
Dokunma duygusu ile robotların gelişimi, temel zorluklarla araştırmalar sunar. İnsan dokunsal sistemi son derece karmaşık ve nüanslı olsa da, yapay sistemler bunu teknolojik araçlarla yeniden üretmelidir. Berkeley, California Üniversitesi'nden bir robot olan Ken Goldberg, bu görevin karmaşıklığını vurguluyor: “İnsan dokunuşu inanılmaz derecede nüanslı ve karmaşıktır.
Bu zorluklara rağmen, araştırmada büyük ilerleme kaydedilmiştir. Örneğin Fraunhofer IFF, insan el modeline göre reaktif kavrayış sağlayan ve kırılgan veya bükme levhasını işlemek için ideal olan dokunsal sensör sistemleri geliştirir. Sensör verileri, işlem izlemenin yanı sıra tutucu, bileşeni ve konum tanımayı uyarlamak için kullanılır.
Dokunsal robotik alanında yenilikçi araştırma projeleri
Amazon ve MIT'in gelişmelerine ek olarak, dokunsal robot sensörleri alanında başka önemli araştırma projeleri de vardır:
Max Planck Akıllı Sistemler Enstitüsü, yüksek hassasiyetle dokunmayı algılayan Insight adlı dokunsal bir sensör geliştirdi. Enstitü araştırma grubu lideri Georg Martius, sensörün performansını vurgular: “Sensörümüz, kabuğun yenilikçi mekanik tasarımı, içerideki terzi görüntüleme sistemi, otomatik veri edinimi ve en son derin öğrenme yöntemleri sayesinde mükemmel bir performans gösterir”. Sensör o kadar hassastır ki, yerçekimi ile ilgili kendi yönünü bile hissedebilir.
Bir başka ilginç proje, bir dizi dinamik etkileşim gerçekleştiren (örneğin kayma ve çarpışma) yoğun bir öngörücü model olan ve gözlemlenen nesneleri yansıtan yoğunluk, pikselli gösterimler öğrenmek için derin bir öngörücü model kullanan bir sistemdir. Hem simülasyon hem de gerçek ortamlardaki deneyler, öğrenilen temsillerin zengin fiziksel bilgiler içerdiğini ve sürtünme ve kütle gibi fiziksel nesne özelliklerinin kodlanması için doğrudan kullanılabilir.
İçin uygun:
Dokunsal robot sistemleri için gelecekteki beklentiler
Multimodal sensör sistemlerinin entegrasyonu
Dokunsal robotiklerin geleceği, çeşitli duyusal yöntemlerin entegrasyonunda yatmaktadır. Zaten yapay zeka öğretmek, görme ve dokunma gibi duyuları birleştirmek için çalışmaların araştırmacıları. Bu farklı duyusal yöntemlerin birlikte nasıl çalıştığını anlayarak, robotlar çevreleri hakkında daha bütünsel bir anlayış geliştirebilir.
MIT ekibi, daha da verimli multimodal sensörler oluşturmak için nesne tanıma yönteminizi bilgisayar görüşü ile birleştirmeyi planlıyor. Chen, "Bu çalışma bilgisayar görüşünün yerini almaya çalışmıyor. Her iki yöntemin de avantajları ve dezavantajları var. Ancak burada bu özelliklerden bazılarını kamera olmadan bulabileceğimizi gösterdik."
Genişletilmiş uygulama alanları ve gelecekteki gelişmeler
MIT ekibinin araştırmacıları, yumuşak robotlar gibi daha karmaşık robot sistemleri ve slosh sıvıları veya kum gibi taneli ortamlar da dahil olmak üzere daha karmaşık nesnelerle uygulamaları araştırmak istiyor. Uzun vadede, gelecekteki robotların hızlı bir şekilde yeni manipülasyon becerileri geliştirmesini ve ortamınızdaki değişikliklere uyum sağlamasını sağlamak için robot öğrenmesini geliştirmek için bu teknolojiyi kullanmayı umuyorsunuz.
Amazon, önümüzdeki yıllarda Vulcan teknolojisini daha da geliştirmeyi ve daha büyük bir ölçekte kullanmayı planlıyor. Vulcan'ın şirketin 750.000 mobil robotuyla entegrasyonu, lojistik endüstrisini temelden değiştirebilecek kapsamlı bir otomasyon konseptini gösteriyor.
Dokunsal öğrenme: sensörler robotlara dokunma
Amazon'un Vulcan'ı ve nesne tanıma için diğer sistem tarafından örneklenen dokunuş duygusu ile robotların gelişmesi, robotiklerde belirleyici bir dönüm noktası işaret ediyor. Bu teknolojiler, robotların daha önce insanlar için ayrılmış görevleri üstlenmesini sağlar, çünkü duyarlılık ve dokunsal bir anlayış gerektirir.
Farklı yaklaşımlar-Amazon'un özel sensörlere odaklanması ve mevcut sensörleri dokunsal sonuçlar için kullanmanın ortak kavramı bu alandaki araştırma yönergelerinin çeşitliliğini gösteriyor. Her iki yaklaşımın da özel güçlü yönleri ve uygulama alanları vardır.
Taktik becerilerin robot sistemlerinde ilerici entegrasyonu, lojistik, üretim, sağlık hizmetleri ve diğer birçok alandaki karmaşık görevlerin otomasyonu için yeni fırsatlar açılıyor. Robotların sadece çevrelerini görme yeteneği değil, aynı zamanda “hissetme” yeteneği, bizi robotların ve insanların birlikte daha da yakın ve daha sezgisel çalışabileceği bir geleceğe daha yakın bir adım daha yaklaştırıyor.
İçin uygun:
