I ricercatori del MIT aiutano i robot a usare tutto il corpo per manipolare gli oggetti

Di Brianna Wessling | 29 agosto 2023

Un robot che tenta di utilizzare tutte le mani per ruotare un secchio di 180º. | Fonte: MIT

Un gruppo di ricerca del MIT ha sviluppato una tecnica di intelligenza artificiale che consente ai robot di manipolare oggetti con l’intera mano o con il corpo, anziché solo con la punta delle dita.

Quando una persona prende una scatola, in genere usa tutte le mani per sollevarla, quindi gli avambracci e il petto per mantenerla ferma mentre la sposta da qualche altra parte. Questo tipo di manipolazione è la manipolazione di tutto il corpo ed è qualcosa con cui i robot lottano.

Per i robot, ogni punto in cui la scatola potrebbe toccare qualsiasi punto delle dita, delle braccia e del busto è un evento di contatto su cui il robot deve ragionare. Ciò lascia ai robot miliardi di potenziali eventi di contatto, rendendo estremamente complicata la pianificazione di attività che richiedono l’intero corpo. Questo processo in cui un robot cerca di apprendere il modo migliore per spostare un oggetto è chiamato pianificazione della manipolazione ricca di contatti.

Tuttavia, i ricercatori del MIT hanno trovato un modo per semplificare questo processo utilizzando una tecnica di intelligenza artificiale chiamata smoothing e un algoritmo creato dal team. Lo smoothing riassume molti eventi di contatto in un numero minore di decisioni, eliminando gli eventi che non sono importanti per l'attività e restringendo il campo a un numero minore di decisioni. Ciò consente anche a un semplice algoritmo di ideare rapidamente un piano di manipolazione efficace.

Molti robot imparano a gestire gli oggetti attraverso l'apprendimento per rinforzo, una tecnica di apprendimento automatico in cui un agente utilizza tentativi ed errori per imparare come completare un'attività in cambio di una ricompensa. Attraverso questo tipo di apprendimento, un sistema deve imparare tutto sul mondo attraverso prove ed errori.

Con miliardi di punti di contatto da provare, l'apprendimento per rinforzo può richiedere una grande quantità di calcoli, rendendolo una scelta non ideale per la pianificazione della manipolazione ricca di contatti, sebbene possa essere efficace con un tempo sufficiente.

L’apprendimento per rinforzo, tuttavia, esegue il processo di livellamento provando diversi punti di contatto e calcolando una media ponderata dei risultati, che è ciò che contribuisce a renderlo così efficace nell’insegnamento ai robot.

Il team di ricerca del MIT ha attinto a queste conoscenze per costruire un modello semplice che esegue questo tipo di ricerca, consentendo al sistema di concentrarsi sulle interazioni fondamentali tra robot e oggetto e di prevedere il comportamento a lungo termine.

Il team ha poi combinato il modello con un algoritmo in grado di ricercare rapidamente tutte le possibili decisioni che un robot può prendere. Tra il modello di livellamento e l'algoritmo, il team ha creato un sistema che richiedeva solo circa un minuto di tempo di calcolo su un laptop standard.

Sebbene il progetto sia ancora nelle sue fasi iniziali, questo metodo potrebbe essere utilizzato per consentire alle fabbriche di implementare robot mobili più piccoli che utilizzano l’intero corpo per manipolare oggetti anziché grandi bracci robotici che afferrano solo con la punta delle dita.

Sebbene il modello abbia mostrato risultati promettenti quando testato in simulazione, non è in grado di gestire movimenti molto dinamici, come la caduta di oggetti. Questo è uno dei problemi che il team spera di continuare ad affrontare nella ricerca futura.

La ricerca dei team è stata finanziata, in parte, da Amazon, dal MIT Lincoln Laboratory, dalla National Science Foundation e dal Gruppo Ocado. Il team comprendeva HJ Terry Suh, uno studente laureato in ingegneria elettrica e informatica (EECS) e co-autore principale dell'articolo, nonché co-autore principale Tao Pang Ph.D. '23, un esperto di robotica presso il Boston Dynamics AI Institute; Lujie Yang, uno studente laureato EECS; e l'autore senior Russ Tedrake, professore Toyota di EECS, aeronautica e astronautica e ingegneria meccanica e membro del Laboratorio di informatica e intelligenza artificiale (CSAIL).