TossingBot: Brazo robótico de alta velocidad logra 500 lanzamientos/hora con 85% precisión

Nuevo robot aprende a recoger y lanzar objetos arbitrarios a ubicaciones específicas.

Usa deep learning y física de proyectiles para lanzar objetos con precisión y rapidez en entornos no estructurados.

En 14 horas de entrenamiento, alcanzó 85% precisión de lanzamiento, con 87% fiabilidad de agarre en desorden.

Desafíos involucrados

Lanzar algo no es fácil para robots. Hay numerosos factores: cómo se recogen objetos de diferentes formas, propiedades físicas como masa, aerodinámica y fricción.

Por ejemplo, si recoges un objeto pesado y largo desde su borde y lo lanzas, caerá más lejos que si lo cogieras del centro. Pero si coges objeto ligero como pelota de ping-pong, necesitas fuerza grande (por resistencia aire) para lanzarlo misma distancia.

Desarrollar manualmente técnica que controle explícitamente todos estos parámetros para cada objeto arbitrario es casi imposible. Aplicar prueba-error tampoco es buena idea: es costoso y lento.

Combinando Deep Learning y Física

Mientras deep learning ayuda al robot aprender de experiencia en vez de depender de mecanismos caso-por-caso, lanzar objetos precisamente a posición objetivo requiere buena comprensión de física de proyectiles.

Referencia: arXiv:1903.11239 | Google AI Blog

Integrando ambas características, ingenieros permitieron a TossingBot entrenar rápido y generalizar a nuevos escenarios. Usando leyes fundamentales de física de proyectiles, el robot desarrolla controladores iniciales, ej. calcula velocidad de lanzamiento requerida para lanzar objeto específico a posición objetivo.

Luego redes neuronales predicen ajustes sobre esos cálculos físicos, para compensar factores externos como variabilidad y ruido en mundo real. Además del entrenamiento, el brazo robótico usa GPU NVIDIA Titan para reconstruir escenas (capturadas con cámaras RGB depth) en 3D en tiempo real y agregar datos 3D mientras el brazo se mueve.

En 14 horas de entrenamiento, TossingBot logró 85% precisión de lanzamiento, con 87% fiabilidad de agarre en desorden. Recogió y lanzó más de 500 objetos arbitrarios a cajas fuera de su rango máximo de alcance.

¿Qué sigue?

Aunque resultados impresionantes, el robot tiene limitaciones. Por ejemplo, asume objetos bastante resistentes para aguantar colisiones al aterrizar. También evalúa variables de control solo desde información visual.

Leer: Nuevo sistema IA enseña a robot aprender directamente de humanos

En próximo estudio, entrenarán su sistema para atrapar objetos amortiguando aterrizaje. También planean explorar modalidades sensoriales adicionales (táctil, fuerza-torque) que permitan al brazo adaptar mejor sus velocidades de lanzamiento.