TossingBot：ターゲットの場所に1時間あたり500個のオブジェクトを投げることができるロボットアーム

• 新しいロボットは、任意のオブジェクトを選択して特定の場所に投げることを学習します。
• ディープラーニングと発射体物理学の両方を使用して、構造化されていない設定でオブジェクトを正確かつ迅速に投げます。
• 14時間のトレーニング時間内に、85％の投球精度を達成し、87％がクラッターの信頼性を把握しました。

過去10年間で、ロボットをよりスマートにして特定のタスクをより効率的に実行し、実際の経験から学ぶことができるようになり、大きな進歩が見られました。ただし、キャッチ、スイング、スピン、トスなどの基本的なスキルに関しては、ロボットは依然として人間よりもはるかに遅れています。

現在、Google、MIT、プリンストン大学、コロンビア大学の研究者は、特定の場所に任意のオブジェクトを選んで投げることを学ぶことができる新しいロボットアームを開発しました。物理学と深層学習の両方の方法を使用して、構造化されていない設定でランダムなオブジェクトを正確かつ迅速に投げます。

彼らはこのロボットをTossingBotと名付けました。以前のロボットの最大2倍のピッキング速度を達成でき、有効な配置範囲は2倍になります。

関連する課題

何かを投げるのはロボットにとって簡単な作業ではありません。さまざまな形状のオブジェクトがどのようにピックアップされるかから、質量、空気力学、摩擦などのオブジェクトの物理的特性まで、さまざまな要因が関係しています。

たとえば、重くて長い物体をその端から拾い上げて投げると、中央から拾った場合よりも遠くに着地します。ただし、ピンポン球のような軽い物体を選ぶ場合、同じ距離で投げるには（空気抵抗のために）大きな力が必要になります。

任意のオブジェクトごとにこれらすべてのパラメータを明示的に制御する手法を手動で開発することはほとんど不可能です。試行錯誤の手法を適用することも、費用と時間がかかるため、お勧めできません。

ディープラーニングと物理学の組み合わせ

ディープラーニングは、ロボットがケースバイケースのメカニズムに依存するのではなく、経験から学習するのに役立ちますが、オブジェクトをターゲット位置に正確に投げるには、発射体の物理学を十分に理解する必要があります。

参照：arXiv：1903.11239 | GoogleAIブログ

これらの両方の機能を統合することにより、エンジニアはTossingBotが迅速にトレーニングし、新しいシナリオに一般化できるようにしました。ロボットは、発射体物理学のいくつかの基本法則を使用して、初期コントローラーを開発します。たとえば、特定のオブジェクトをターゲット位置に投げるのに必要な投げ速度を計算します。

次に、ニューラルネットワークは、その物理計算に加えて調整を予測し、現実世界の変動やノイズなどの外部要因を補正します。トレーニングに加えて、ロボットアームはNVIDIA Titan GPUを使用して、シーン（RGB深度カメラでキャプチャ）をリアルタイムで3Dで再構築し、アームが動き回るときに3Dデータを集約します。

トレーニング時間の14時間以内に、TossingBotは85％の投擲精度を達成し、87％がクラッターの信頼性を把握しました。最大到達範囲外に配置されたボックスに500を超える任意のオブジェクトを選択して投げることができました。

次は何ですか？

結果は非常に印象的ですが、ロボットには欠点があります。たとえば、オブジェクトは着陸の衝突に耐えるのに十分な強度があると想定しています。また、視覚的な情報からのみ制御変数を評価します。

読む：新しいAIシステムがロボットに人間から直接学ぶことを教える

次の研究では、研究者は着陸を緩和する方法で物体を捕らえるようにシステムを訓練します。彼らはまた、ロボットアームがその投擲速度をより良く適応させることを可能にするかもしれない追加の感知モダリティ（触覚や力トルクなど）を探求することを計画しています。