Videnskab
 science >> Videnskab >  >> Elektronik

Hvorfor er husstandsrobottjenere meget sværere at bygge end robotstøvsugere og automatiserede lagerarbejdere

Visionen for menneskelige husholdningsrobotter som den foreslåede Tesla Bot er en kunstig tjener, der er i stand til at håndtere enhver hverdagslig opgave. Kredit:Tesla

Med de seneste fremskridt inden for kunstig intelligens og robotteknologi er der stigende interesse for at udvikle og markedsføre husholdningsrobotter, der er i stand til at håndtere en række huslige gøremål.

Tesla bygger en menneskelig robot, som ifølge CEO Elon Musk kan bruges til at lave mad og hjælpe ældre mennesker. Amazon købte for nylig iRobot, en fremtrædende robotstøvsugerproducent, og har investeret massivt i teknologien gennem Amazon Robotics-programmet for at udvide robotteknologien til forbrugermarkedet. I maj 2022 annoncerede Dyson, et firma kendt for sine kraftstøvsugere, at det planlægger at bygge Storbritanniens største robotcenter, der er dedikeret til at udvikle husholdningsrobotter, der udfører daglige huslige opgaver i boligområder.

På trods af den stigende interesse kan potentielle kunder muligvis vente et stykke tid på, at disse robotter kommer på markedet. Mens enheder såsom smarte termostater og sikkerhedssystemer er meget udbredt i hjemmene i dag, er den kommercielle brug af husholdningsrobotter stadig i sin vorden.

Som robotforsker ved jeg selv, hvordan husholdningsrobotter er betydeligt sværere at bygge end smarte digitale enheder eller industrirobotter.

Håndtering af objekter

En stor forskel mellem digitale og robotiske enheder er, at husholdningsrobotter skal manipulere objekter gennem fysisk kontakt for at udføre deres opgaver. De skal bære tallerkenerne, flytte stolene og samle snavset vasketøj op og lægge det i vaskemaskinen. Disse operationer kræver, at robotten er i stand til at håndtere skrøbelige, bløde og nogle gange tunge genstande med uregelmæssige former.

Robotter, der kan klare en række huslige pligter, er en ældgammel basis i science fiction.

De avancerede AI- og maskinlæringsalgoritmer fungerer godt i simulerede miljøer. Men kontakt med genstande i den virkelige verden vælter dem ofte. Dette sker, fordi fysisk kontakt ofte er svær at modellere og endnu sværere at kontrollere. Mens et menneske nemt kan udføre disse opgaver, eksisterer der betydelige tekniske forhindringer for husholdningsrobotter for at nå evnen til at håndtere genstande på menneskeligt niveau.

Robotter har svært ved to aspekter af at manipulere objekter:kontrol og sansning. Mange pick-and-place robotmanipulatorer som dem på samlebånd er udstyret med en simpel griber eller specialværktøj, der kun er dedikeret til bestemte opgaver som at gribe og bære en bestemt del. De kæmper ofte med at manipulere genstande med uregelmæssige former eller elastiske materialer, især fordi de mangler den effektive kraft eller haptiske feedback, som mennesker naturligt er udstyret med. At bygge en robothånd til generelle formål med fleksible fingre er stadig teknisk udfordrende og dyrt.

Det er også værd at nævne, at traditionelle robotmanipulatorer kræver en stabil platform for at fungere præcist, men nøjagtigheden falder betydeligt, når de bruges med platforme, der bevæger sig rundt, især på en række forskellige overflader. Koordinering af bevægelse og manipulation i en mobil robot er et åbent problem i robotmiljøet, som skal løses, før bred egnede husholdningsrobotter kan komme på markedet.

De kan lide struktur

I et samlebånd eller et lager er miljøet og rækkefølgen af ​​opgaver strengt organiseret. Dette giver ingeniører mulighed for at forprogrammere robottens bevægelser eller bruge simple metoder som QR-koder til at lokalisere objekter eller målplaceringer. Husholdningsartikler er dog ofte uorganiserede og placeret tilfældigt.

Hjemmerobotter skal håndtere mange usikkerheder i deres arbejdspladser. Robotten skal først lokalisere og identificere målobjektet blandt mange andre. Ganske ofte kræver det også, at man rydder eller undgår andre forhindringer i arbejdsområdet for at kunne nå varen og udføre givne opgaver. Dette kræver, at robotten har et fremragende perceptionssystem, effektive navigationsevner og kraftfuld og nøjagtig manipulationsevne.

For eksempel ved brugere af robotstøvsugere, at de skal fjerne alle små møbler og andre forhindringer såsom kabler fra gulvet, fordi selv den bedste robotstøvsuger ikke kan rense dem af sig selv. Endnu mere udfordrende er det, at robotten skal operere i nærvær af bevægelige forhindringer, når mennesker og kæledyr går inden for kort afstand.

Et sofistikeret robotkøkken er allerede på markedet, men det fungerer i et meget struktureret miljø, hvilket betyder alle de objekter, det interagerer med – køkkengrej, madbeholdere, apparater – er, hvor det forventer, at de skal være, og der er ingen irriterende mennesker, der kommer i vejen.

Hold det enkelt

Selvom de virker ligetil for mennesker, er mange husholdningsopgaver for komplekse for robotter. Industrirobotter er fremragende til gentagne operationer, hvor robotbevægelsen kan forprogrammeres. Men husholdningsopgaver er ofte unikke for situationen og kan være fulde af overraskelser, der kræver, at robotten hele tiden træffer beslutninger og ændrer rute for at udføre opgaverne.

Tænk på madlavning eller rengøring af opvask. I løbet af et par minutters madlavning kan du få fat i en sauterpande, en spatel, en komfursknop, et køleskabsdørhåndtag, et æg og en flaske madolie. For at vaske en pande, holder og flytter du den typisk med den ene hånd, mens du skrubber med den anden, og sikrer, at alle tilberedte madrester er fjernet, og så skylles al sæbe af.

Der er sket en betydelig udvikling i de senere år med at bruge maskinlæring til at træne robotter til at træffe intelligente beslutninger, når de plukker og placerer forskellige objekter, hvilket betyder at gribe og flytte objekter fra et sted til et andet. Men at være i stand til at træne robotter til at mestre alle forskellige typer køkkenredskaber og husholdningsapparater ville være en anden sværhedsgrad selv for de bedste indlæringsalgoritmer.

For ikke at nævne, at folks hjem ofte har trapper, smalle gange og høje hylder. Disse svært tilgængelige rum begrænser brugen af ​​nutidens mobile robotter, som har tendens til at bruge hjul eller fire ben. Humanoide robotter, som i højere grad ville matche de miljøer, mennesker bygger og organiserer for sig selv, er endnu ikke blevet brugt pålideligt uden for laboratoriemiljøer.

En løsning på opgavekompleksitet er at bygge specialrobotter, såsom robotstøvsugere eller køkkenrobotter. Mange forskellige typer af sådanne enheder vil sandsynligvis blive udviklet i den nærmeste fremtid. Jeg tror dog, at robotter til almindelige formål stadig er langt væk. + Udforsk yderligere

Robotter lærer husholdningsopgaver ved at se på mennesker

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.




Varme artikler