Ambidextrous robotter kunne dramatisk fremskynde e-handel

E-handel fortsætter med at udvide og nåede nye niveauer i løbet af den seneste feriesæson. For hurtigt at opfylde den enorme mængde og mangfoldighed af ordrer, virksomheder som Amazon, Walmart, og Alibaba investerer massivt i nye varehuse. For at afhjælpe manglen på arbejdskraft, mange virksomheder overvejer robotter. Imidlertid, pålideligt at forstå en bred vifte af produkter er fortsat en stor udfordring for robotteknologi.

I en avis offentliggjort onsdag, 16. januar, i Videnskab robotik , ingeniører ved University of California, Berkeley præsenterer en roman, "ambidekstrus" tilgang til at forstå en bred vifte af objektformer uden træning.

"Enhver enkelt griber kan ikke håndtere alle genstande, " sagde Jeff Mahler, en postdoc-forsker ved UC Berkeley og hovedforfatter af papiret. "For eksempel, en sugekop kan ikke skabe en forsegling på porøse genstande såsom tøj, og gribere med parallelle kæber kan muligvis ikke nå begge sider af noget værktøj og legetøj."

Mahler arbejder i Ken Goldbergs laboratorium, en UC Berkeley professor med fælles ansættelser i Institut for Elektroteknik og Datalogi og Institut for Industriel Teknik og Driftsforskning.

De robotsystemer, der bruges i de fleste e-handelscentre, er afhængige af sugegribere, som kan begrænse rækken af ​​objekter, de kan gribe. UC Berkeley-papiret introducerer en "ambidekstrus" tilgang, der er kompatibel med en række forskellige gribetyper. Tilgangen er baseret på en fælles "belønningsfunktion" for hver gribertype, der kvantificerer sandsynligheden for, at hver griber vil lykkes. Dette gør det muligt for systemet hurtigt at beslutte, hvilken griber der skal bruges til hver situation. For effektivt at beregne en belønningsfunktion for hver gribertype, papiret beskriver en proces til at lære belønningsfunktioner ved at træne på store syntetiske datasæt, der hurtigt genereres ved hjælp af struktureret domænerandomisering og analytiske modeller af sensorer og hver enkelt griberens fysik og geometri.

Da forskerne trænede belønningsfunktioner til en parallel-kæbe-griber og en sugekop-griber på en to-armet robot, de fandt ud af, at deres system ryddede skraldespande med op til 25 tidligere usete objekter med en hastighed på over 300 pluk i timen med 95 procent pålidelighed.

"Når du er på et lager og sammensætter pakker til levering, genstande varierer betydeligt, " sagde Goldberg. "Vi har brug for en række forskellige gribere til at håndtere en række genstande."