ロボットが予測不可能な状況を把握するのを支援する | MIT ニュース

ロボットが見慣れない物体に遭遇すると、見た目がすべてではないという単純な真実を理解するのに苦労します。ロボットはブロックを掴もうとしても、それが 文字通りのケーキ物体の見た目が誤解を招くと、ロボットは物体の重さや重心などの物理的特性を誤って計算し、間違った掴み方をして必要以上の力を加えてしまう可能性があります。

この錯覚を見抜くために、MITコンピュータ科学・人工知能研究所（CSAIL）の研究者らは、 神経プロセスの把握、よりインテリジェントなロボットの把持のために、これらの隠れた特性をリアルタイムで推測できる予測物理モデル。限られたインタラクションデータに基づくディープラーニングシステムは、従来のアルゴリズムや統計モデルの計算コストのほんの一部で、倉庫や家庭などの領域でロボットを支援できます。

掴みの神経プロセスは、掴みの試行履歴から目に見えない物理的特性を推測するようにトレーニングされ、推測された特性を使用して、将来どの掴みがうまくいくかを推測します。以前のモデルでは、視覚データのみからロボットの掴みを識別することが多かったです。

通常、物理的特性を推測する方法は、多くの既知の把握と、うまく機能するために膨大な計算時間を必要とする従来の統計的方法に基づいています。Grasping Neural Process により、これらのマシンは、はるかに少ないインタラクション データを使用して、より効率的に優れた把握を実行でき、従来の方法では数秒 (または数分) かかるのに対し、10 分の 1 秒未満で計算を完了できます。

研究者らは、把握神経プロセスは、予測できない物体が大量に保管されている家庭や倉庫などの非構造化環境では活発に機能すると指摘している。たとえば、MIT モデルで駆動するロボットは、異なる量の食品がぎっしり詰まった箱を箱の中を見ずに取り扱う方法を素早く学習し、必要な場所に配置する。フルフィルメント センターでは、さまざまな物理的特性と形状を持つ物体が対応する箱に入れられ、顧客に出荷される。

1,000 個のユニークな形状と 5,000 個のオブジェクトでトレーニングされた Grasping Neural Process は、ShapeNet リポジトリで生成された新しい 3D オブジェクトのシミュレーションで安定した把持を実現しました。その後、CSAIL 主導のグループは、2 つの重み付きブロックを使用して物理世界でモデルをテストし、オブジェクトの形状のみを考慮したベースラインよりも優れた結果が出ました。事前に 10 回の実験的把持に制限されていたロボット アームは、20 回の試行のうち 18 回と 19 回で箱をうまく持ち上げましたが、準備が整っていない状態では、マシンは 8 回と 15 回しか安定した把持を実現できませんでした。

俳優ほど芝居がかった演技ではありませんが、推論タスクを完了するロボットも、トレーニング、適応、テストという 3 つの段階を踏む必要があります。トレーニング ステップでは、ロボットは固定された一連のオブジェクトで練習し、成功した (または失敗した) 把握の履歴から物理的特性を推測する方法を学習します。新しい CSAIL モデルは、オブジェクトの物理的特性の推測を償却します。つまり、ニューラル ネットワークをトレーニングして、通常はコストのかかる統計アルゴリズムの出力を予測する方法を学習します。限られたインタラクション データを使用してニューラル ネットワークを 1 回通過するだけで、さまざまなオブジェクトに対してどの把握が最も効果的かをシミュレートして予測できます。

次に、適応段階でロボットは未知の物体に遭遇します。この段階では、把持ニューラル プロセスがロボットの実験を支援し、それに応じて位置を更新し、どのグリップが最も効果的かを理解します。この調整段階では、ロボットが最終段階であるテストに備えます。テストでは、ロボットが物体の特性を新たに理解した上で、物体に対して正式にタスクを実行します。

「エンジニアとして、ロボットがつかむのに必要なすべての情報を知っていると想定するのは賢明ではありません」と、MIT の電気工学およびコンピューター サイエンス (EECS) 博士課程の学生で CSAIL 所属の主執筆者マイケル ノーズワーシーは述べています。「人間が物体の特性をラベル付けしなければ、ロボットは従来、コストのかかる推論プロセスを使用する必要がありました。」同じく主執筆者で EECS 博士課程の学生であり CSAIL 所属のセイジ ショーによると、彼らの Grasping Neural Process は合理化された代替手段になる可能性があります。「私たちのモデルは、ロボットがこれをより効率的に行うのに役立ち、どのつかみ方が最良の結果をもたらすかをロボットが想像できるようにします。」

「ロボットを研究室や倉庫などの管理された空間から現実世界に出すには、ロボットが未知の状況にうまく対処し、プログラミングから少しでも外れても故障する可能性が低くなければなりません。この研究は、ロボット工学の完全な変革の可能性を実現するための重要な一歩です」と、この研究を後援した米国陸軍のDEVCOM陸軍研究所の自律ロボット研究者、チャド・ケセンス氏は言う。

彼らのモデルはロボットが隠れた静的特性を効率的に推測するのに役立つが、研究者たちは、複数のタスクや動的な特性を持つ物体に対してリアルタイムで把握を調整できるようにシステムを拡張したいと考えている。彼らは、ニンジンを拾って切るなど、長期的な計画で複数のタスクを支援することを最終的に想定している。さらに、彼らのモデルは、空のボトルに水を注ぐときのように、あまり静的ではない物体の質量分布の変化にも適応できる可能性がある。

この論文の研究者には、MITの航空宇宙工学教授でCSAILメンバーのニコラス・ロイ氏も参加しており、彼は主任著者でもある。このグループは最近、 この作品を発表した IEEE国際ロボティクス・オートメーション会議にて。