新しいシミュレーション方法により、ロボットはオブジェクトのプロパティを正確に感知できるようになります

マサチューセッツ工科大学、マサチューセッツ州ケンブリッジ

新しいシミュレーション方法を使用すると、ロボットは物体を持ち上げるだけで、その物体の重さ、柔らかさ、その他の物理的特性を推測できるようになります。 (画像:MIT ニュース/iStock)

屋根裏部屋からガラクタを片付けている人は、中身を見なくても、箱を手に取って振るだけで箱の中身を推測できることがよくあります。 MIT、Amazon Robotics、ブリティッシュ コロンビア大学の研究者は、ロボットに同様のことを行うよう教えています。

彼らは、ロボットが内部センサーのみを使用して、物体を持ち上げて軽く振ることによって、その物体の重さ、柔らかさ、または内容物を学習できるようにする技術を開発しました。外部の測定ツールやカメラを必要としない彼らの方法により、ロボットは数秒で物体の質量などのパラメータを正確に推測できます。

この低コストの技術は、暗い地下室で物体を分類したり、地震後に部分的に倒壊した建物内の瓦礫を撤去したりするなど、カメラの効果が低い可能性がある用途で特に役立つ可能性があります。

彼らのアプローチの鍵となるのは、ロボットとオブジェクトのモデルを組み込んだシミュレーション プロセスであり、ロボットがオブジェクトと対話するときにそのオブジェクトの特性を迅速に特定します。

研究者の技術は、コンピュータービジョンを組み込んだより複雑で高価な方法と同じくらい物体の質量を推測するのに優れています。さらに、データ効率の高いアプローチは、さまざまな種類の目に見えないシナリオを処理できるほど堅牢です。

「この考え方は一般的なもので、この方法でロボットが学習できることのほんの表面をなぞっただけだと思います。私の夢は、ロボットが世界に出て、環境内で物に触れたり動かしたりして、ロボットが相互作用するあらゆるものの特性を独自に把握できるようにすることです。」と、MIT 博士研究員であり、この技術に関する論文の主著者であるピーター・イーチェン・チェン氏は述べています。

研究チームの手法は固有受容を活用しています。固有受容とは、人間やロボットが空間内の動きや位置を感知する能力です。たとえば、ジムでダンベルを持ち上げる人間は、ダンベルを手に持っているにもかかわらず、手首と上腕二頭筋でダンベルの重さを感じることができます。同様に、ロボットは腕の複数の関節を通じて物体の重さを「感じる」ことができます。

「人間は、指の関節角度や物体に加えている正確なトルク量を超正確に測定することはできませんが、ロボットにはあります。私たちはこれらの能力を活用しています」と共著者であり、MIT 博士研究員である Chao Liu 氏は述べています。

ロボットが物体を持ち上げると、研究者のシステムはロボットの関節エンコーダから信号を収集します。関節エンコーダは、動作中の関節の回転位置と速度を検出するセンサーです。

ほとんどのロボットは、可動部分を駆動するモーター内にジョイントエンコーダーを備えているとリュー氏は付け加えた。このため、触覚センサーや視覚追跡システムなどの追加のコンポーネントが必要ないため、この技術は他のアプローチよりも費用対効果が高くなります。

ロボットとオブジェクトの相互作用中にオブジェクトのプロパティを推定するために、システムは 2 つのモデルに依存しています。1 つはロボットとその動作をシミュレートし、もう 1 つはオブジェクトのダイナミクスをシミュレートします。 「現実世界の正確なデジタル ツインを持つことは、私たちの手法を成功させるために非常に重要です」と Chen 氏は付け加えました。

彼らのアルゴリズムは、物理的相互作用中にロボットと物体の動きを「監視」し、ジョイント エンコーダー データを使用して逆方向に作業し、物体のプロパティを特定します。たとえば、ロボットが同じ量の力を加えた場合、重いオブジェクトは軽いオブジェクトよりも遅く動きます。

彼らは微分可能シミュレーションと呼ばれる技術を利用しており、これによりアルゴリズムは、質量や柔らかさなどのオブジェクトの特性の小さな変化がロボットの最終関節位置にどのような影響を与えるかを予測できます。研究者らは、微分可能なシミュレーションをサポートするオープンソース開発者ツールである NVIDIA の Warp ライブラリを使用してシミュレーションを構築しました。

微分可能なシミュレーションがロボットの実際の動きと一致すると、システムは正しい特性を識別します。このアルゴリズムはこれを数秒で実行でき、計算を実行するために必要なのは、動作中のロボットの現実世界の軌道を 1 つ確認するだけです。

「技術的には、物体のモデルと、ロボットがその物体にどのように力を加えることができるかを知っていれば、特定したいパラメータを把握できるはずです」と Liu 氏は言います。研究者らは、物体の質量と柔らかさを知るためにその手法を使用しましたが、彼らの手法は慣性モーメントや容器内の流体の粘度などの特性も決定することができました。

さらに、彼らのアルゴリズムは、コンピューター ビジョンや外部センサーに依存する一部の手法のように、トレーニングに大規模なデータセットを必要としないため、目に見えない環境や新しいオブジェクトに直面したときにも失敗しにくくなります。

将来的には、研究者らは自分たちの手法とコンピューター ビジョンを組み合わせて、さらに強力なマルチモーダル センシング技術を作成したいと考えています。

「この研究は、コンピュータ ビジョンを置き換えようとするものではありません。どちらの方法にも長所と短所があります。しかし、カメラがなくても、これらの特性の一部をすでに把握できることがここで示されました」とチェン氏は述べています。

また、ソフト ロボットなどのより複雑なロボット システムや、はねる液体や砂などの粒状媒体などのより複雑な物体を使用したアプリケーションも検討したいと考えています。長期的には、この技術をロボットの学習の改善に適用して、将来のロボットが新しい操作スキルを迅速に開発し、環境の変化に適応できるようにしたいと考えています。

詳細については、Melanie Grados までお問い合わせください。このメール アドレスはスパムボットから保護されています。表示するには JavaScript を有効にする必要があります。 617-253-1682 。