Les robots apprennent les ajustements de mouvement de type humain pour empêcher le glissement des objets

Pour lutter efficacement contre une variété de tâches du monde réel, les robots devraient être capables de saisir de manière fiable des objets de différentes formes, textures et tailles, sans les laisser tomber dans des emplacements indésirables. Les approches conventionnelles pour améliorer la capacité des robots à saisir les objets fonctionnent en resserrant l'emprise d'une main robotique pour empêcher les objets de glisser.

Des chercheurs de l'Université de Lincoln, du Cambridge Research Laboratory de Toshiba Europe, de l'Université de Surrey, de l'Arizona State University et Kaist ont récemment introduit des stratégies de calcul alternatives pour prévenir le glissement d'objets saisis par une main robotique, qui fonctionne en modulant les trajectoires qu'une main robotique suit tout en effectuant des mouvements de manipulations. Leur approche, composée d'un contrôleur robotique et d'une nouvelle stratégie de modulation de trajectoire prédictive bio-inspirée, a été présentée dans un article publié dans Intelligence de la machine de la nature.

« L'inspiration pour ce document est venue d'une expérience très humaine », a déclaré Amir Ghalamzan, auteur principal du journal, à Tech Xplore.

« Lorsque vous portez un objet fragile ou glissant et que vous le sentez commencer à glisser, vous ne vous contentez pas de vous serrer plus fort. Au lieu de cela, vous ajustez subtilement vos mouvements – en train de vous débarrasser, de l'inclinaison ou de repositionner votre main – pour éviter de glisser. scénarios. « 

L'objectif principal de la récente étude de Ghalamzan et de ses collègues était de développer un contrôleur qui peut prédire quand un objet pourrait se glisser de la compréhension d'un robot et ajuster ses mouvements en conséquence pour l'empêcher de glisser, de façon similaire à la façon dont les humains pourraient ajuster leurs mouvements lors de la gestion des objets. Le contrôleur qu'ils ont développé repose sur une stratégie de modulation de trajectoire bio-inspirée qui complète les techniques conventionnelles pour moduler la force de l'adhérence d'un robot, permettant des stratégies de manipulation plus dignes.

« Notre approche imite comment les humains utilisent des modèles internes pour interagir avec le monde », a expliqué Ghalamzan. « Tout comme le cerveau humain prédit en continu les résultats de nos actions – comme si un verre pourrait glisser si nous nous déplaçons trop vite – nous avons construit un modèle interne basé sur les données, ou` `modèle mondial '', qui permet à un robot de prédire les futures sensations tactiles qu'elle ressentra.

Le contrôleur de l'équipe permet aux robots de ralentir, de changer de direction et de s'adapter à la position et à l'orientation de leurs mains en temps réel, au lieu de simplement serrer plus fort sur les objets pour les empêcher de glisser. Cette stratégie alternative pour sécuriser les objets en modifiant les mouvements d'un robot pourrait aider à réduire le risque que les objets fragiles se cassent lorsqu'un robot les gère. L'approche de modulation de la trajectoire fonctionne également dans les cas où la force de l'emprise d'un robot ne peut pas être modifiée, permettant des interactions plus fluides et plus intelligentes avec une large gamme d'objets.

« Notre étude présente deux percées clés », a déclaré Ghalamzan. « Le premier est un contrôleur de glissement basé sur le mouvement qui est le premier du genre. Cette stratégie complète le contrôle basé sur la force de poignée et est particulièrement précieuse lorsque l'augmentation de la force de préhension n'est pas possible, telle qu'avec des objets fragiles, des surfaces humides ou glissantes, ou un matériel qui ne prend pas en charge le contrôle dynamique de la poignée.

« Le second est un contrôleur prédictif propulsé par un modèle avant-plan apprise (c.-à-d. Modèle mondial), qui permet aux robots de prévoir le glissement en fonction de leurs actions planifiées. »

Le contrôleur nouvellement développé a été utilisé pour planifier les mouvements d'une pince robotique et testé dans des environnements dynamiques et non structurés. Il a notamment constaté qu'il améliorait considérablement la stabilité de la compréhension d'un robot dans certains cas, surpassant les contrôleurs conventionnels qui fonctionnent en adaptant uniquement la force de l'emprise d'un robot.

« L'intégration d'un tel modèle dans une boucle de contrôle prédictive a traditionnellement été trop exigeante en calcul », a déclaré Ghalamzan. « Notre étude montre que ce n'est pas seulement faisable, mais aussi efficace. »

Les travaux récents de cette équipe de chercheurs pourraient contribuer à l'avancement des systèmes robotiques, ce qui leur permet de gérer en toute sécurité diverses interactions physiques et potentiellement aussi sociales en utilisant un modèle mondial. Cela pourrait permettre aux robots, par exemple, de gérer différents objets dans un large éventail de paramètres du monde réel, y compris des environnements ménagères, des sites de fabrication et des établissements de santé.

« Nous travaillons activement pour rendre notre contrôleur prédictif plus rapidement et plus efficace, il peut donc être déployé dans des paramètres en temps réel encore plus exigeants », a ajouté Ghalamzan. « Cela comprend l'exploration de différentes techniques architecturales et algorithmiques pour réduire les frais généraux de calcul. »

Dans le cadre de leurs prochaines études, les chercheurs élargissent également leur système pour soutenir les tâches de manipulation d'objets plus avancées et complexes, y compris la manipulation d'objets déformables ou d'éléments qui doivent être manipulés à deux mains. Finalement, ils prévoient également de combiner leur approche avec des algorithmes de vision par ordinateur, ce qui permettrait à leur approche de planifier les trajectoires pour les robots en fonction des informations tactiles et visuelles.

« Une autre direction importante consiste à améliorer la vérifiabilité et l'explication de ces modèles apprises », a ajouté Ghalamzan. « Alors que nous nous dirigeons vers des systèmes plus intelligents et autonomes, il est essentiel que les humains puissent comprendre et faire confiance à la façon dont les robots prennent des décisions. Notre vision à long terme est de développer des contrôleurs prédictifs qui sont non seulement efficaces mais également transparents et sûrs pour le déploiement dans le monde réel. »