Gebruikmaken van Deep Learning om Robotgrijpen en Bewegen Mogelijk te Kunnen Maken

Vaak is een robot ontworpen voor algemeen gebruik om op een intelligente manier met dagelijkse voorwerpen om te kunnen gaan. Echter kunnen robots voorwerpen niet goed vastgrijpen. Als je bijvoorbeeld een robot zou vragen om een beker, afstandsbediening of speelgoed vast te pakken, zou een robot er op een verkeerde manier mee omgaan. Het zou veel gemakkelijker voor de robot zijn om zo’n taak uit te voeren als de robot ook speciaal is ontworpen om dat specifieke voorwerp binnen gereguleerde instellingen te begrijpen.

Het grijpvermogen van een robot verschilt daarin van dat van mensen; kinderen ontwikkelen hun vaardigheden om voorwerpen vast te pakken snel in een ongecontroleerde en rommelige omgeving. Kan een robot grijpvaardigheden ontwikkelen zoals baby’s dat doen door constant vallen en opstaan?

Deep Learning Begrijpen?

Deep learning is een AI-functie (artificial intelligence, oftewel kunstmatige intelligentie) die menselijke hersenoperaties na kan bootsen als het gaat om verwerken van gegevens en de ontwikkeling van bepaalde patronen. Het is een subgroep van machine learning in AI waarbij netwerken worden gebruikt die zonder toezicht kunnen leren van ongelabelde of ongestructureerde data.

Deep learning staat ook wel bekend als een deep neural network of deep neural learning. Deze functie is ook effectief als het draait om het beheren van multimodale gegevens die binnen robotachtige sensortoepassingen zijn geproduceerd.

Shoppen Tijdens een Pandemie

Door de Covid-19-pandemie zijn er lockdowns en andere veiligheidsmaatregelen nodig waardoor online shoppen populairder is geworden. Hoe groter de vraag wordt, hoe meer verkoper moeite gaan krijgen om bestellingen af te kunnen ronden zonder de veiligheid van hun medewerkers in het magazijn in gevaar te brengen.

Onderzoekers zijn met nieuwe AI-software gekomen die robots de expertise en snelheid biedt om voorwerpen soepel vast te grijpen en te verplaatsen. Dit betekent dat de robot binnenkort zou kunnen samenwerken met magazijnmederwerkers.

Automatiseren van Magazijntaken

Het automatiseren van taken in het magazijn kan een lastige opgave zijn, omdat het uitvoeren van verschillende functies door robots, die normaal gesproken worden uitgevoerd door mensen, lastig kan zijn. Deze functies zijn bijvoorbeeld:

–          Bepalen hoe en waar verschillende soorten producten vandaan gehaald moeten worden

–          Het coördineren van de arm-, schouder- en polsbewegingen die nodig zijn om alle voorwerpen van de ene plek naar de andere plek te vervoeren.

Robotbewegingen kunnen schokkerig of groot zijn, en dit vergroot het risico dat de robot en de producten kapot kunnen gaan. Technisch voorzitter en auteur Ken Goldberg, William S.Floyd Jr. zegt:

“Magazijnen worden nog steeds voornamelijk bediend door mensen, omdat het voor robots nog steeds erg lastig is om veel verschillende voorwerpen op een betrouwbare manier vast te grijpen. In een productielijn voor auto’s wordt dezelfde beweging constant opnieuw herhaald, zodat deze handeling geautomatiseerd kan worden. Maar in een magazijn is iedere taak anders. “

Nog niet zo lang geleden hebben onderzoekers een bewegingsplanner met geoptimaliseerde grip ontwikkeld. Het was in staat om te berekenen zoals een robot producten zou moeten vinden en pakken, en hoe een robot zou moeten manoeuvreren om een voorwerp object van de ene plek naar de andere plek te kunnen verplaatsen.

De planner maakte alleen grote en schokkerige bewegingen. Hoewel de softwarerichtlijnen aangepast konden worden om soepelere bewegingen te kunnen genereren, duurde het berekenen wel bijna een minuut.

In een onlangs uitgebracht onderzoek hebben onderzoekers een deep neural learning network ingebouwd om de rekentijd van de planner te kunnen versnellen. Robots kunnen door voorbeelden leren aan de hand van neurale netwerken, waarna de robot zelf kan wennen aan bewegingen en voorwerpen.

Hier mag bij vermeld worden dat deze schattingen niet altijd even nauwkeurig zijn. Volgens onderzoekers kan de bewegingsplanner de schattingen van neurale netwerken versterken. Computerwetenschapsdeskundige en onderzoeker Jeffrey Ichnowski zei: “Het neurale netwerk heeft maar een aantal milliseconden nodig om een ​​geschatte beweging te kunnen berekenen. Het gaat erg snel, maar het is onnauwkeurig. Echter, als we die benadering in de bewegingsplanner invoeren, heeft alleen de bewegingsplanner een aantal aanpassingen nodig om de uiteindelijke beweging te kunnen berekenen.”

Het team van experts slaagde erin om de gemiddelde rekentijd van 29 seconden naar 80 milliseconden terug te brengen. De onderzoekers denken dat deze en toekomstige verbeteringen van robots nodig zullen zijn om robots bruikbaar te kunnen maken in het magazijn.

Vooruitgang in Robotica zal Shopactiviteiten Veranderen

Onderzoekers zeggen dat de Covid-19-pandemie de manier waarop mensen geneesmiddelen, boodschappen en zelfs kleding kopen heeft veranderd. Naarmate meer mensen eraan gewend raken om online te shoppen, zal deze situatie waarschijnlijk tot na de pandemie blijven aanhouden.