At lære robotter at se og føle

Flere og flere industrielle opgaver udføres af robotter, men menneskelige operatører er stadig nødvendige for de mere komplekse manipulationshandlinger, såsom håndtering og forarbejdning af fødevarer.

"Hvis vores mål er at automatisere nogle eller alle disse opgaver i fødevareindustrien, eller på andre områder, vi er nødt til at udstyre robotterne med ny viden via læring. De skal først lære de såkaldte bløde færdigheder, så de i fremtiden kan udføre operationer på samme niveau som mennesker, "forklarede Ekrem Misimi, som er en SINTEF -forsker, der udvikler robotlæringsteknologi som en del af iProcess -projektet.

For at lære robotterne disse komplekse manipulationsevner, en kombination af visuel og taktil læring er påkrævet. Med andre ord, de skal lære at se og føle samtidigt.

Robotlæring kan også være nyttig i større skala, især nu under pandemien, hvor mange mennesker skal arbejde hjemmefra eller ikke er i stand til at arbejde i deres anlæg på grund af infektionsrisiko:

"For samfundet, produktionen, høst, håndtering og tilberedning af fødevarer er afgørende funktioner. Vores teknologi har til formål at sikre en fuldautomatisk produktionslinje, baseret på intelligente robotter. I det væsentlige, intelligent robotteknologi kan bedre forberede os som samfund på at klare de dårlige tider, og effektivisere produktion og værdiskabelse i gode tider, "sagde Misimi.

Mulighederne er uendelige

Interaktionen mellem en robot og objekter, der er bløde, skrøbelig, bøjelig eller formbar er en af ​​de største udfordringer inden for robotteknologi i dag, da disse typer objekter let kan ændre deres form og form, når de håndteres. Det er let for menneskelige operatører at kompensere for disse ændringer i realtid, men robotter kræver avancerede visuelle og taktile sensorer for at gøre det samme.

Derfor, robotten får kunstige "øjne" i form af 3D-syn, en kunstig "hjerne" fra kunstig intelligens, og følsomme "hænder", der er afhængige af kraft og taktil sansning.

"Disse kvaliteter gør det muligt for robotterne at udvikle en opgavespecifik intelligens, der er god nok til, at de kan udføre opgaven automatisk, "forklarede Misimi.

Lær komplekse opgaver ved hjælp af enkle eksempler

På trods af sin evne til at lære, en robot er i sidste ende en maskine. Derfor, den skal først opnå viden om opgaver, den skal udføre gennem sansning og læring, enten i samspil med mennesker eller af sig selv.

"Vores mål er at få robotten til at lære at udføre komplekse manipulationsopgaver i virkeligheden ud fra enkle eksempler, "sagde Misimi.

Derfor, iProcess -projektet har udviklet to robotindlæringsmetoder. Den første er "at lære af demonstration" (LfD), hvor robotten lærer at gribe bløde fødevarer gennem en kombination af visuel og taktil sansning. Den anden er "at lære af selvudforskning", hvor robotten bruger kunstig intelligens til at lære opgaven på egen hånd i et simuleret miljø, før den endelig bliver indsat i den virkelige verden, uden yderligere finjustering. Projektet har genereret mange interessante opgaver for kandidatstuderende fra NTNU, der studerer kunstig intelligens og robotik.

"En typisk udfordring i robotlæring er, at den menneskelige operatør, eller rettere lærer, demonstrerer opgaven forkert for robotten. Derfor, vi har udviklet en læringsstrategi, der udelukkende er baseret på de bedste demonstrationer, og ignorerer automatisk de fattige, der ikke er i overensstemmelse med lærerens tilsigtede politik. Læringsstrategien bruger 3D-billeddannelse til korrekt placering af robotgriberen og taktil sansning til skånsom håndtering og greb om objekterne, "forklarede Misimi.

"Det, der er særligt interessant ved at lære af selvudforskning, er, at robotten aldrig har set en laksefilet før, enten i et simuleret eller reelt miljø. Men det lykkes stadig perfekt at generalisere i den virkelige verden for at håndtere det nye, ukendte genstande, " han tilføjede.

Når robotten lærer på denne måde, læringstiden forkortes betydeligt, og robotten kan bruges til at håndtere flere fødevarer, eller lignende objekter, uden yderligere programmering.

Forskningen om LfD blev offentliggjort i "Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration", som blev præsenteret på den internationale konference om intelligente robotter og systemer, mens artiklen om læring ved selvudforskning er blevet accepteret til den kommende internationale konference om robotteknologi og automatisering (ICRA) 2020*.

At lære en gammel robot nye tricks

De siger, at du ikke kan lære en gammel hund nye tricks - men robotter kan trænes til mange forskellige håndteringsopgaver, fra at holde både stationære og bevægelige objekter til at udføre mere komplekse manipulationsopgaver, der kræver større fingerfærdighed, såsom manipulering af bevægelige objekter.

"Opgaven kan være alt, hvad der indebærer at skære eller gribe objekter, der skal håndteres forsigtigt. Uanset om det er en fiskefilet eller salat, robotten skal være sart nok til ikke at beskadige produkterne, men få stadig jobbet gjort, "sagde Misimi.

Vigtigt for fødevareindustrien

Den nye teknologi vil være vigtig for både den norske fødevareindustri og enhver anden industri, der ville have gavn af robothåndtering af smidige og formbare objekter, og som er helt afhængig af automatisering for at bevare værdiskabelsen i Norge.

"Dette projekt er en milepæl i realiseringen af ​​denne vision. Robotteknologi vil kunne øge både konkurrenceevnen og rentabiliteten og vil gøre det muligt at forarbejde en større andel af råvarematerialer i Norge. Dette kan bidrage til at øge produkternes kvalitet og reducere fødevarer spild. Desuden dette vil gavne miljøet, da råvarer ikke skal transporteres til udlandet til forfining, som ofte skal gøres i dag, "sagde Misimi.