Perception-and-action system for humanoid robot task execution in construction
Questo articolo propone un nuovo sistema di percezione e azione composto da Humanoid-PoseNet e Humanoid-ActionNet che consente ai robot umanoidi di apprendere ed eseguire in modo affidabile compiti di costruzione da dimostrazioni umane, raggiungendo un errore medio di tracciamento del movimento di 82,45 mm.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate un mondo in cui i robot non siano solo macchine goffe su ruote o bracci avvitati a un muro, ma partner che appaiono e si muovono come noi. Questo è il regno della robotica umanoidi, un campo che cerca di costruire macchine capaci di entrare nei nostri spazi creati dall'uomo — come cantieri, cucine o uffici — e svolgere il lavoro pesante senza aver bisogno di un manuale per ogni singolo passo. La grande sfida? Gli esseri umani sono disordinati, flessibili e unici; i robot sono precisi, rigidi e costruiti secondo progetti specifici. Se si tenta di copiare direttamente il movimento di un essere umano su un robot, il robot potrebbe inciampare, cadere o spezzare un giunto perché le sue gambe sono più corte o i suoi fianchi si piegano diversamente. Per risolvere questo problema, gli scienziati utilizzano il motion retargeting (un modo elegante per dire "tradurre i movimenti umani in movimenti robotici") e l'apprendimento per rinforzo (un metodo in cui un robot impara per tentativi ed errori, ricevendo "ricompense" per rimanere in equilibrio e "punizioni" per cadere). L'obiettivo è permettere ai robot di imparare guardando noi, così da poter eventualmente aiutarci a costruire il nostro mondo, trasportando mattoni o salendo scale proprio come farebbe un operaio umano.
Entra in gioco questo nuovo studio, che agisce come un traduttore esperto e un allenatore severo per un robot chiamato Unitree G1. I ricercatori volevano vedere se un robot umanoide potesse osservare un operaio edile eseguire un compito, capire cosa stesse facendo e poi farlo a sua volta senza cadere. Hanno costruito un sistema a due parti per far sì che ciò accadesse. Per prima cosa, hanno creato un "traduttore" chiamato Humanoid-PoseNet. Pensate a questo come a un cervello-fotocamera super intelligente che osserva un video di un lavoratore umano. Non vede solo una persona; calcola esattamente dove si trova ogni giunto nello spazio 3D. Ma ecco la parte complicata: il corpo di un essere umano è conformato diversamente da quello di un robot. Pertanto, questo cervello riscrive istantaneamente i movimenti dell'uomo in una versione che si adatti alla specifica forma del corpo del robot, assicurando che il robot non cerchi di torcere i propri giunti in modi impossibili.
Una volta che il robot sa cosa muovere, deve capire come muoversi senza schiantarsi. È qui che entra in gioco la seconda parte, Humanoid-ActionNet. Questo è l'allenatore interno del robot, addestrato utilizzando un metodo "insegnante-studente". L' "insegnante" è una versione super potente del robot che vive in una simulazione al computer e conosce tutto sulla fisica (come quanto sia pesante un mattone o quanto sia scivoloso il terreno). L'insegnante impara il modo perfetto di muoversi per mantenere l'equilibrio. Poi, insegna a una versione "studente" del robot. Lo studente è quello che andrà effettivamente nel mondo reale, ma non gli è permesso fare affidamento sui segreti della fisica; deve imparare solo sentendo i propri giunti e osservando i movimenti target, proprio come farebbe un vero robot. Ciò assicura che, quando il robot lascerà il computer per scendere in un vero cantiere, non si confonda per la differenza tra la simulazione e la realtà.
Il team ha testato questo sistema con 30 diversi compiti di costruzione, dal trasportare tubi pesanti e impilare materiali al segnalare con bandiere e camminare su terreni sconnessi. Hanno iniziato registrando cinque volontari umani che eseguivano questi compiti in uno studio di motion capture. Successivamente, hanno lasciato che il loro sistema robotico imparasse da queste registrazioni. I risultati sono stati promettenti: il robot è riuscito ad apprendere otto di queste complesse azioni di costruzione. Nelle simulazioni al computer, il robot ha seguito i movimenti umani con un errore medio di circa 82,45 mm (Mean Per Joint Position Error) attraverso i suoi giunti. Quando hanno messo alla prova il robot nel mondo reale, è riuscito a trasportare tubi, reggere blocchi di cemento e persino sventolare una bandiera mantenendo l'equilibrio, dimostrando che la "traduzione" e l' "allenamento" avevano funzionato.
Tuttove, l'articolo è attento a non definire questa una soluzione perfetta. I ricercatori hanno notato che, sebbene il robot potesse svolgere questi compiti, non era impeccabile. Nelle simulazioni, alcuni tentativi sono falliti, con il robot che perdeva l'equilibrio o inciampava, specialmente quando la fisica del mondo reale (come l'attrito o il peso) non corrispondeva perfettamente al modello informatico. Hanno anche evidenziato che le mani del robot non sono del tutto destre quanto quelle di un essere umano, quindi, sebbene potesse tenere un blocco, non poteva necessariamente afferrarlo con la stessa finezza di un operaio umano. Lo studio suggerisce che questo approccio è un solido primo passo verso l'avere robot che possano lavorare accanto a noi nei cantieri, ma c'è ancora molto lavoro da fare per renderli affidabili e adattabili come gli umani che cercano di imitare. Il sistema ha dimostrato che è possibile insegnare a un robot di muoversi come un operaio, ma il viaggio dal "imparare a camminare" al "costruire un grattacielo" è appena iniziato.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.