Forscher schlagen eine Möglichkeit vor, Robotern dabei zu helfen, Gemüse besser zu schneiden

Treffen Sie vom 11. bis 12. Juli Top-Führungskräfte in San Francisco, um zu erfahren, wie Führungskräfte KI-Investitionen integrieren und optimieren, um erfolgreich zu sein. Erfahren Sie mehr

Haben Sie sich jemals gefragt, warum Roboter manchmal Schwierigkeiten haben, Objekte zu manipulieren, die Menschen problemlos aufnehmen können? Manipulationsaufgaben müssen in Merkmalsdarstellungen abstrahiert werden, bevor Maschinen sie zum Erlernen von Richtlinien (d. h. Fähigkeiten) nutzen können, und diese Darstellungen müssen normalerweise manuell vordefiniert werden – ein anspruchsvolles Unterfangen bei komplexen Aufgaben, die beispielsweise verformbare Objekte oder variierende Materialeigenschaften betreffen .

Eine praktikable Alternative sind Deep-Learning-Methoden, die es Robotern ermöglichen, Darstellungen autonom aus Erfahrung zu erwerben. Zu diesem Zweck beschreiben Forscher der Carnegie Mellon University in einem Preprint-Artikel („Learning Semantic Embedding Spaces for Slicing Gemüse“) eine Methode zur Kombination von Vorkenntnissen über Aufgaben und erfahrungsbasiertem Lernen zum Erwerb von Darstellungen, wobei der Schwerpunkt auf der Aufgabe liegt, Gurken und Tomaten zu schneiden in Scheiben schneiden.

„Das Erlernen des Schneidens von Gemüse ist eine komplexe Aufgabe, da es darum geht, verformbare Objekte in verschiedene Formen zu manipulieren und neue Objekte in Form von Scheiben zu erstellen“, schreiben die Forscher. „Durch die Einführung sinnvoller Hilfsaufgaben während des Trainings kann unser Modell einen semantisch reichhaltigen Einbettungsraum erlernen, der nützliche Prioritäten und Eigenschaften, wie etwa die Dicke des geschnittenen Gemüses, in unserer Zustandsdarstellung kodiert.“

Der Versuchsaufbau des Teams besteht aus zwei 7-DOF-Franka-Emika-Panda-Forschungsarmen und einer seitlich angebrachten Intel RealSense-Kamera, die Rohpixelinformationen aus der Szene sammelt. Der rechte Arm – der „Haltearm“ – dient zum Aufnehmen, Platzieren und Halten von geschnittenem Gemüse auf einem Schneidebrett mithilfe einer an seinen Fingern befestigten Zange. Währenddessen ergreift der linke Arm – der „Schneidearm“ – einen 3D-gedruckten Werkzeughalter mit einem Messer, mit dem er das vom anderen Arm gehaltene Gemüse schneidet.

Transformation 2023

Besuchen Sie uns vom 11. bis 12. Juli in San Francisco, wo Top-Führungskräfte erzählen, wie sie KI-Investitionen erfolgreich integriert und optimiert und häufige Fallstricke vermieden haben.

Das Schneiden von Gemüse in unterschiedlich dicke Scheiben erfordert, dass die Roboterarme mehrere unterschiedliche Schneidvorgänge ausführen. Sie müssen zunächst das Ende des Gemüses erkennen, sich nach oben bewegen und ein bestimmtes Stück auf das Gemüse zu, um eine Scheibe daraus zu machen, und einen Schnitt durchführen.

Die Forscher sammelten 10 Flugbahnen von Menschen, die den Roboterarm zur Durchführung von Schneidvorgängen nutzten, um Parameter festzulegen, und verwendeten die oben beschriebene Schneidsequenz als Hauptparameter. Um einen Datensatz zum Schneiden von Gemüse zu erstellen, ermittelten sie zu Beginn jeder Demonstration zufällig die Anzahl der zu schneidenden Scheiben und zeichneten die Scheibendicke für jede Scheibe auf.

Als nächstes trainierte das Team ein neuartiges Einbettungsnetzwerk, das es dem vorgeschlagenen Modell ihrer Meinung nach ermöglichte, hilfreiche aufgabenspezifische Attribute zu erfassen. „Durch die Einführung der Hilfsaufgabe zur Vorhersage der Dicke der geschnittenen Gemüsescheibe“, schrieben sie, „zwingen wir unser Einbettungsnetzwerk, objektzentrierte Eigenschaften zu modellieren, die für die Aufgabe des Gemüseschneidens wichtig sind.“

Wie effektiv war der Ansatz letztendlich? In Experimenten sahen die Forscher Hinweise darauf, dass die erlernten Darstellungen auf verschiedene Formen und Größen verallgemeinert werden könnten und dass sie „eine reichhaltige Darstellung“ für Lernmodelle zur Manipulation bieten. „Unsere [Tests] zeigen, dass das erlernte Modell ein kontinuierliches Verständnis für wichtige Attribute wie die Dicke der geschnittenen Scheibe erlernt“, schreiben die Autoren des Papiers.

Die Mission von VentureBeat soll ein digitaler Stadtplatz für technische Entscheidungsträger sein, um sich Wissen über transformative Unternehmenstechnologie anzueignen und Transaktionen durchzuführen. Entdecken Sie unsere Briefings.