Une nouvelle technologie aide les robots à ranger des objets dans des espaces restreints

Quiconque a déjà essayé de ranger une grande quantité de bagages familiaux dans le coffre de l. a. taille d’une berline sait qu’il s’agit d’un problème difficile. Les robots ont également du mal à effectuer des tâches d’emballage intensives.

Pour un robotic, résoudre le problème d’emballage implique de respecter plusieurs contraintes, comme empiler les bagages pour que les valises ne tombent pas du coffre, que les objets lourds ne soient pas placés sur les plus légers et que les collisions entre le bras robotique et le pare-chocs de l. a. voiture soient évitées. évité.

Certaines méthodes traditionnelles abordent ce problème de manière séquentielle, en devinant une resolution partielle qui satisfait une contrainte à l. a. fois, puis en vérifiant si d’autres contraintes sont violées. Avec une longue séquence d’movements à entreprendre et une pile de bagages à emballer, ce processus peut prendre un temps peu pratique.

Les chercheurs du MIT ont utilisé une forme d’IA générative, appelée modèle de diffusion, pour résoudre ce problème plus efficacement. Leur méthode, décrite dans un article publié sur arXiv Le serveur de préimpression utilise un ensemble de modèles d’apprentissage automatique, chacun étant formé pour représenter un sort spécifique de contrainte. Ces modèles sont combinés pour générer des answers globales au problème du packaging, prenant en compte simultanément toutes les contraintes.

Leur méthode était succesful de générer des answers efficaces plus rapidement que les autres ways, et de produire simultanément un plus grand nombre de answers réussies. Il est vital de noter que leur method était également succesful de résoudre des problèmes en utilisant de nouveaux ensembles de contraintes et un plus grand nombre d’objets, que les modèles n’avaient pas vus lors de l. a. formation.

Grâce à cette généralisation, leur méthode peut être utilisée pour apprendre aux robots à comprendre et à satisfaire les contraintes générales liées aux problèmes d’emballage, comme l’significance d’éviter les collisions ou le désir d’avoir un objet à côté d’un autre. Les robots formés de cette manière peuvent être appliqués à un massive éventail de tâches complexes dans des environnements divers, allant de l’exécution de commandes dans un entrepôt à l’organisation d’une étagère chez quelqu’un.

“Ma imaginative and prescient est de pousser les robots à entreprendre des tâches plus complexes qui comportent de nombreuses contraintes ways et des décisions continues à prendre – c’est le style de problèmes auxquels les robots de carrier sont confrontés dans nos environnements humains non structurés et diversifiés. En utilisant le puissant outil de combinaison”, déclare Zhutian Yang, étudiant diplômé en génie électrique. “Grâce aux modèles de diffusion, nous pouvons désormais résoudre ces problèmes plus complexes et obtenir d’excellents résultats de généralisation”, a déclaré Pc Science et auteur most important d’un article sur cette nouvelle method d’apprentissage automatique.

Ses co-auteurs incluent Jiayuan Mao et Yilon Du, étudiants diplômés du MIT ; Jiajun Wu, professeur adjoint d’informatique à l’Université de Stanford ; Et Josué B. Tenenbaum, professeur au Département des sciences du cerveau et des sciences cognitives du MIT et membre du Laboratoire d’informatique et d’intelligence artificielle (CSAIL) ; Tomás Lozano Pérez, professeur d’informatique et d’ingénierie au MIT et membre du CSAIL ; Auteur most important Leslie Keelbling, professeur Panasonic d’informatique et d’ingénierie au MIT et membre du CSAIL. Los angeles recherche sera présentée à l. a. Studying Robotics Convention à Atlanta, en Géorgie, du 6 au 9 novembre.

Headaches de contraintes

Les problèmes de pleasure face à des contraintes persistantes présentent un défi particulier pour les robots. Ces problèmes surviennent lors de tâches de manipulation de robots en plusieurs étapes, telles que l’emballage d’objets dans une boîte ou l. a. mise à desk. Elles impliquent souvent de respecter un positive nombre de contraintes, notamment géométriques, comme éviter les collisions entre le bras du robotic et l’environnement ; les contraintes physiques, comme empiler des objets pour qu’ils soient stables ; Restrictions qualitatives, comme placer l. a. cuillère à droite du couteau.

Il peut y avoir de nombreuses contraintes, et elles varient selon les problèmes et les environnements, en fonction de l. a. géométrie des objets et des exigences définies par l’homme.

Pour résoudre efficacement ces problèmes, les chercheurs du MIT ont développé une method d’apprentissage automatique appelée Diffusion-CCSP. Les modèles de diffusion apprennent à créer de nouveaux échantillons de données similaires aux échantillons de l’ensemble de données d’entraînement en améliorant de manière itérative leur sortie.

Pour ce faire, les modèles de diffusion apprennent une procédure pour apporter de petites améliorations à une resolution potentielle. Ensuite, pour résoudre un problème, ils partent d’une très mauvaise resolution aléatoire puis l’améliorent progressivement.

Par exemple, imaginez placer des assiettes et des ustensiles de manière aléatoire sur une desk simulée, leur permettant de se chevaucher virtuellement. Les contraintes sans collision entre les objets s’écarteront, tandis que les contraintes qualitatives tireront l’assiette vers le centre, aligneront l. a. fourchette à salade et l. a. fourchette à dîner, and so on.

Yang explique que les modèles de diffusion sont bien adaptés à ce sort de problème de pleasure proceed de contraintes, automobile les influences de plusieurs modèles sur une state of affairs d’objet distinctive peuvent s’accumuler pour encourager l. a. pleasure de toutes les contraintes. En commençant à chaque fois par une estimation initiale aléatoire, les modèles peuvent obtenir une variété de bonnes answers.

Travailler ensemble

Pour Diffusion-CCSP, les chercheurs ont souhaité capter les interconnexions entre contraintes. Dans le packaging, par exemple, une contrainte peut exiger qu’un objet particulier soit à côté d’un autre objet, tandis qu’une seconde contrainte peut spécifier où l’un de ces objets doit être situé.

Diffusion-CCSP apprend un ensemble de modèles de diffusion, avec un modèle pour chaque sort de contrainte. Les modèles sont entraînés ensemble, ils partagent donc certaines connaissances, comme l. a. géométrie des objets à remplir.

Les modèles travaillent ensuite ensemble pour trouver des answers, en l’incidence les emplacements des objets à placer, qui satisfont conjointement aux contraintes.

“Nous n’arrivons pas toujours à une resolution dès l. a. première hypothèse”, dit-elle. “Mais lorsque vous continuez à affiner l. a. resolution et que certaines violations se produisent, cela devrait vous conduire à une meilleure resolution. Vous obtenez des conseils en cas d’erreur.”

Entraîner des modèles individuels pour chaque sort de contrainte, puis les combiner pour effectuer des prédictions réduit considérablement l. a. quantité de données d’entraînement requises, par rapport à d’autres méthodes.

Cependant, l. a. formation de ces modèles nécessite encore une grande quantité de données montrant les problèmes résolus. Les humains devront résoudre chaque problème de manière lente et traditionnelle, ce qui rendra le coût de génération de ces données prohibitif, explique Yang.

Au lieu de cela, les chercheurs ont inversé le processus en proposant d’abord des answers. Ils ont utilisé des algorithmes rapides pour créer des boîtes segmentées et insérer une variété d’objets 3-d dans chaque section, garantissant ainsi un emballage serré, des poses stables et des answers sans collision.

“Grâce à ce processus, l. a. génération de données est presque instantanée en simulation”, explique-t-elle. “Nous pouvons créer des dizaines de milliers d’environnements dans lesquels nous savons que les problèmes peuvent être résolus.”

Les modèles de diffusion, entraînés à l’aide de ces données, travaillent ensemble pour déterminer les emplacements où les objets doivent être placés par l. a. pince automatisée qui accomplit l. a. tâche d’emballage tout en respectant toutes les contraintes.

Ils ont mené des études de faisabilité, puis ont fait l. a. démonstration de Diffusion-CCSP à l’aide d’un vrai robotic qui résout un positive nombre de problèmes complexes, notamment l’insertion de triangles 2D dans une boîte, l’emballage de formes 2D avec des contraintes de family members spatiales, l’empilement d’objets 3-d avec des contraintes de stabilité et l’emballage d’objets 3-d avec des contraintes de stabilité. Bras robotique.

Leur méthode a surpassé les autres ways dans plusieurs expériences, générant un plus grand nombre de answers efficaces, stables et sans collision.

À l’avenir, Yang et ses collaborateurs souhaitent tester Diffusion-CCSP dans des scenarios plus complexes, comme des robots capables de se déplacer dans une pièce. Ils souhaitent également permettre à Diffusion-CCSP de répondre à des problèmes dans différents domaines sans avoir à se recycler sur de nouvelles données.

“Diffusion-CCSP est une resolution d’apprentissage automatique qui s’appuie sur de puissants modèles génératifs existants”, explique Danfei Xu, professeur adjoint à l. a. College of Interactive Computing de Georgia Tech et chercheur scientifique chez NVIDIA AI, qui n’a pas participé. Avec ce travail. “Il peut générer des answers rapides qui satisfont simultanément plusieurs contraintes en modélisant des contraintes individuelles connues. Bien qu’encore aux premiers stades de développement, les progrès continus de cette approche sont prometteurs pour permettre des systèmes autonomes plus efficaces, plus sûrs et plus fiables dans divers domaines. ” Packages. ”

Cette histoire a été republiée grâce à MIT Information (internet.mit.edu/newsoffice/), un web site populaire couvrant l’actualité de l. a. recherche, de l’innovation et de l’enseignement du MIT.