Ein System, das es Robotern ermöglicht, Objekte aus mehreren Materialien zu schneiden

Menschen lernen von Natur aus, ihre Bewegungen basierend auf den Materialien, mit denen sie umgehen, und den Aufgaben, die sie zu erledigen versuchen, anzupassen. Beim Hacken bestimmter Obst- oder Gemüsesorten lernen sie beispielsweise, härtere Teile wie Avocado- oder Pfirsichkerne zu umschneiden oder die äußere Haut vorsichtig zu entfernen.

Um Menschen bei alltäglichen Aufgaben wie dem Kochen und Zubereiten von Speisen zu unterstützen, sollten Roboter auch in der Lage sein, Objekte mit gemischten Materialzusammensetzungen oder Texturen effektiv zu schneiden. Diese Fähigkeit auf Roboter zu übertragen, hat sich bisher jedoch als ziemlich herausfordernd erwiesen.

Forscher der Columbia University, der CMU, der UC Berkeley und anderer Institute in den USA haben kürzlich RoboNinja entwickelt, ein auf maschinellem Lernen basierendes System, das es Robotern ermöglichen könnte, Objekte aus mehreren Materialien zu schneiden, insbesondere weiche Objekte mit harten Kernen. Ihr Papier, veröffentlicht am arXiv Preprint-Server, könnte letztendlich dazu beitragen, die Fähigkeiten von Robotern zu verbessern, die Menschen bei der Hausarbeit und alltäglichen Küchenaufgaben helfen sollen.

„Im Gegensatz zu früheren Arbeiten, die Open-Loop-Schneideaktionen zum Schneiden von Objekten aus einem Material (z. B. Schneiden einer Gurke) verwenden, zielt RoboNinja darauf ab, den weichen Teil eines Objekts zu entfernen und gleichzeitig den starren Kern zu erhalten, wodurch die Ausbeute maximiert wird“, sagte Zhenjia Xu, Zhou Xian und ihre Kollegen schrieben in ihrer Zeitung. „Um dies zu erreichen, schließt unser System die Wahrnehmungs-Aktions-Schleife, indem es einen interaktiven Zustandsschätzer und eine adaptive Schnittrichtlinie verwendet.“

Xu, Xian und ihre Kollegen machten sich daran, ein System zu entwickeln, das es einem Roboter ermöglicht, Früchte wie Mangos, Pfirsiche und Avocados effektiv zu schneiden und das weiche Fruchtfleisch von dem starren Kern in der Mitte zu entfernen. Das Ziel ihres Systems ist es, so viel Zellstoff wie möglich zu entfernen, gleichzeitig Kollisionen mit dem zentralen Saatgut zu minimieren und eine begrenzte Menge an Energie zu verbrauchen.

„Das System verwendet zunächst spärliche Kollisionsinformationen, um die Position und Geometrie des Kerns eines Objekts iterativ zu schätzen, und generiert dann basierend auf dem geschätzten Zustand und einem Toleranzwert geschlossene Schneidaktionen“, schreiben Xu, Xian und ihre Kollegen in ihrem Artikel. „Die ‚Anpassungsfähigkeit‘ der Richtlinie wird durch den Toleranzwert erreicht, der die Konservativität der Richtlinie bei Kollisionen moduliert und einen adaptiven Sicherheitsabstand zum geschätzten Kern einhält.“

Um ihr System zum Schneiden von Objekten aus mehreren Materialien zu evaluieren, erstellten die Forscher eine Schneide-Simulationsumgebung, die besser geeignet war, um das zu lösende Problem zu bewerten. Diese Umgebung bietet verschiedene Szenarien, in denen ein Roboter Objekte aus einer Kombination aus weichen und starren Materialien schneidet.

„Bestehende Simulatoren sind bei der Simulation von Objekten aus mehreren Materialien oder der Berechnung des Energieverbrauchs während des Schneidevorgangs begrenzt“, erklärten Xu, Xian und ihre Kollegen in ihrem Artikel. „Um dieses Problem anzugehen, entwickeln wir einen differenzierbaren Schnittsimulator, der die Kopplung mehrerer Materialien unterstützt und die Generierung optimierter Trajektorien als Demonstrationen für das Lernen von Richtlinien ermöglicht.“

Die Ergebnisse der von Xu, Xian und ihren Kollegen durchgeführten Simulationen waren vielversprechend, da RoboNinja es ihrem simulierten Robotergreifer ermöglichte, eine erhebliche Menge weicher Materialien von Objekten zu entfernen, während Kollisionen mit starren Teilen minimiert und eine angemessene Menge an Energie verbraucht wurden. Anschließend testete das Team sein Framework an einem echten Robotergreifer, um seine Leistung in realen Umgebungen und beim Schneiden von Objekten mit unterschiedlichen Kerngeometrien weiter zu validieren.

„Unsere Experimente zeigen, dass sich unsere Methode gut auf neuartige Kerngeometrien und sogar echte Früchte verallgemeinern lässt“, schlussfolgern die Forscher in ihrer Arbeit. „Wir hoffen, dass unsere experimentellen Ergebnisse und der neu entwickelte Simulator zukünftige Arbeiten zum Lernen von Robotern inspirieren werden, die Interaktionen mit Objekten aus mehreren Materialien beinhalten.“

© 2023 Science X Netzwerk