AI meningkatkan kontrol lengan robot
Robot

AI meningkatkan kontrol lengan robot


Kemajuan dalam otomasi robotik memungkinkan pergerakan yang lebih presisi dan intuitif. Kredit: Universitas Stanford

Lebih dari satu juta orang dewasa Amerika menggunakan kursi roda yang dilengkapi dengan lengan robot untuk membantu mereka melakukan tugas sehari-hari seperti berpakaian, menyikat gigi, dan makan. Tetapi perangkat robotik yang sekarang ada di pasaran sulit dikendalikan. Mengeluarkan wadah makanan dari lemari es atau membuka pintu lemari bisa memakan waktu lama. Dan menggunakan robot untuk memberi makan diri Anda sendiri bahkan lebih sulit karena tugas tersebut membutuhkan manipulasi yang bagus.

Sebuah tim peneliti Stanford sekarang telah mengembangkan cara baru untuk mengontrol lengan robotik bantu yang lebih intuitif dan lebih cepat daripada pendekatan yang ada. Dalam eksperimen, pengontrol robot mereka memungkinkan subjek untuk memotong tahu dan menyekopnya dengan lebih efisien ke piring, atau menusuk marshmallow, memasukkannya ke dalam icing, dan mencelupkannya ke dalam taburan.

“Memberi makan adalah salah satu masalah favorit saya untuk dikerjakan karena sulit dari sudut pandang robotika; itu membutuhkan manipulasi yang tepat dan itu adalah tugas yang sangat mendasar — ​​Anda perlu memberi makan diri Anda sendiri setiap hari,” kata Dorsa Sadigh, asisten profesor ilmu komputer dan teknik elektro di Stanford dan anggota fakultas yang berafiliasi dari Stanford Institute for Human-Centered Artificial Intelligence (HAI). Ini juga menarik: “Anda bisa melihat manfaatnya tepat di depan mata Anda,” katanya.

Tim Sadigh, termasuk mahasiswa pascasarjana teknik Hong Jun Jeon dan sarjana pascadoktoral ilmu komputer Dylan P. Losey, mengembangkan pengontrol yang memadukan dua algoritme kecerdasan buatan. Yang pertama, yang dikembangkan oleh grup Sadigh, memungkinkan kontrol dalam dua dimensi pada joystick tanpa perlu beralih antar mode. Ini menggunakan isyarat kontekstual untuk menentukan apakah pengguna meraih gagang pintu atau cangkir minum, misalnya. Kemudian, saat lengan robot mendekati tujuannya, algoritma kedua digunakan untuk memungkinkan gerakan yang lebih presisi, dengan kontrol yang dibagi antara manusia dan robot.

Mengurangi Dimensi

Robot bantu tipikal yang sekarang ada di pasaran memiliki 6-7 sendi. Untuk mengontrol masing-masing dari mereka, pengguna beralih di antara berbagai mode pada joystick, yang tidak intuitif, melelahkan secara mental, dan membutuhkan banyak waktu, kata Sadigh. “Robot-robot ini ada di alam liar, tetapi masih sangat menantang untuk menggunakannya.”

Tim bertanya-tanya: Dapatkah joystick yang memberikan perintah hanya dalam dua arah (atas / bawah; kiri / kanan) dapat mengontrol robot multi-joint dengan lancar dan cepat? Sebagai jawaban, mereka beralih ke proses yang disebut reduksi dimensi. Dalam konteks tertentu, lengan robot sebenarnya tidak harus menggerakkan setiap sendi ke segala arah yang memungkinkan untuk menyelesaikan tugas tertentu. Satu set gerakan yang lebih kecil biasanya sudah cukup. “Wawasan utamanya adalah, dikondisikan pada batasan tertentu, seperti konteks, robot akan tahu bahwa mendorong tepat pada joystick berarti hal tertentu, seperti mengambil cangkir,” jelas Sadigh. “Tanpa saya beritahu, robot akan menemukan hal terpenting yang harus diperhatikan, mengingat konteksnya.”

Proses reduksi dimensi dimulai dengan manusia (yaitu, mahasiswa pascasarjana) menggerakkan lengan robot melalui berbagai gerakan khusus tugas, yang pada dasarnya melatihnya untuk bergerak dengan cara yang lebih lancar dan berguna dalam konteks tertentu. Dataset berdimensi tinggi ini kemudian dimasukkan melalui jaringan neural (autoencoder) yang terlebih dahulu mengompresi data menjadi dua dimensi dan kemudian mendekode representasi yang dikompresi itu untuk mencoba membuat ulang data pakar awal. “Itulah cara Anda memastikan kompresi bekerja — karena dapat mereproduksi data ahli,” kata Sadigh.

Langkah selanjutnya adalah di mana keajaiban terjadi: Seseorang memberikan instruksi dua dimensi pada joystick dan robot mampu menciptakan kembali tindakan yang lebih kompleks dan bergantung pada konteks yang dilatih oleh pakar untuk dilakukan. Dalam eksperimen, saat pengguna mengontrol robot hanya dengan algoritme “tindakan laten” ini, mereka dapat mengambil telur, apel, dan secangkir tepung dan menjatuhkannya ke dalam mangkuk (bisa dikatakan membuat “pai apel”) lebih cepat dari pendekatan yang ada yang membutuhkan perpindahan mode pada joystick. Meskipun kecepatan meningkat, pengguna menemukan antarmuka tidak dapat diprediksi. “Itu melakukan hal yang benar, tetapi pengguna tidak yakin mengapa,” kata Sadigh.

Menambahkan Otonomi Bersama

Pengontrol aksi laten juga tidak terlalu tepat. Untuk mengatasi masalah itu, tim memadukan algoritme tindakan laten dengan yang disebut otonomi bersama. Di sini, kebaruan terletak pada cara tim mengintegrasikan dua algoritme. “Ini bukan tambahan,” kata Sadigh. “Sistem ini dilatih bersama-sama.”

Dalam otonomi bersama, robot dimulai dengan serangkaian “keyakinan” tentang apa yang diperintahkan pengontrol untuk dilakukannya dan mendapatkan keyakinan tentang tujuan saat instruksi tambahan diberikan. Karena robot tidak benar-benar hidup, keyakinan ini sebenarnya hanyalah probabilitas. Misalnya, dihadapkan pada dua cangkir air, robot mungkin mulai dengan keyakinan bahwa ada kemungkinan ia akan mengambil salah satunya. Namun saat joystick mengarahkannya ke satu cangkir dan menjauh dari cangkir yang lain, robot mendapatkan kepercayaan diri tentang tujuan tersebut dan dapat mulai mengambil alih — berbagi otonomi dengan pengguna untuk mengontrol lengan robot dengan lebih tepat. Jumlah kontrol yang diambil robot juga bersifat probabilistik: Jika robot memiliki keyakinan 80 persen bahwa ia akan mencapai piala A daripada piala B, itu akan mengambil 80 persen kendali sementara manusia masih memiliki 20 persen, Sadigh menjelaskan.

Untuk menguji algoritme terintegrasi, tim melakukan eksperimen di mana pengguna mengontrol lengan robot yang dilengkapi dengan garpu. Tugas mereka (ditampilkan dalam video ini): Memotong dan menyendok tahu, atau menusuk marshmallow, memasukkannya ke dalam icing, dan mencelupkannya ke dalam taburan. Hasilnya: Pengontrol yang menggunakan algoritme gabungan (tindakan laten dengan otonomi bersama) lebih cepat dan lebih mudah bagi pengguna untuk mengontrol daripada algoritme tindakan laten saja atau pengontrol standar sendiri atau dengan otonomi bersama.

Masih banyak pekerjaan yang harus dilakukan sebelum algoritme tim berdampak pada kehidupan penyandang disabilitas, kata Jeon. Sistem perlu dilatih untuk menggunakan visi komputer dan berfungsi dalam berbagai konteks. Dan pada akhirnya harus ada studi di mana sampel besar penyandang disabilitas memiliki kesempatan untuk menguji pengontrol. Harapannya dalam jangka panjang adalah robotika bantu berbasis AI akan memudahkan hidup para penyandang disabilitas. “Ini memberdayakan,” kata Jeon. “Ini memberi orang lebih banyak hak pilihan atas apa yang dapat mereka lakukan.


Kontrol bersama memungkinkan robot untuk menggunakan dua tangan yang bekerja bersama untuk menyelesaikan tugas


Informasi lebih lanjut:
Otonomi Bersama dengan Tindakan Laten yang Dipelajari. Robotika: Sains dan Sistem. www.roboticsproceedings.org/rss16/p011.pdf

Disediakan oleh Universitas Stanford

Kutipan: AI meningkatkan kontrol lengan robot (2020, 26 Oktober) diakses 27 November 2020 dari https://techxplore.com/news/2020-10-ai-robot-arms.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Singapore Prize