लोक त्यांच्या हातात असलेल्या वस्तू आणि ते करू पाहत असलेल्या कार्यांनुसार त्यांचे वर्तन बदलण्याची क्षमता घेऊन जन्माला येतात. उदाहरणार्थ, विद्यार्थी काही फळे किंवा भाज्या कापताना बाहेरील त्वचा काळजीपूर्वक काढणे किंवा एवोकॅडो किंवा पीच बियाणे यांसारखे कठीण भाग कापायला शिकू शकतात.
मानवांना स्वयंपाक करणे आणि जेवण तयार करणे यासारख्या सामान्य कामांमध्ये मदत करण्यासाठी रोबोट्स मिश्र सामग्रीच्या रचना किंवा पोत असलेल्या गोष्टी कुशलतेने कापण्यास सक्षम असणे आवश्यक आहे. परंतु ही क्षमता रोबोट्समध्ये हस्तांतरित करणे आतापर्यंत खूप कठीण आहे.
RoboNinja, कोलंबिया विद्यापीठ, CMU, UC बर्कले आणि इतर अमेरिकन संस्थांमधील संशोधकांनी अलीकडेच विकसित केलेली मशीन लर्निंग-आधारित प्रणाली, रोबोट्सला बहु-मटेरियल वस्तू, विशेषत: हार्ड कोर असलेल्या मऊ गोष्टी कापण्यास सक्षम करू शकते. ArXiv प्रीप्रिंट सेवेवर प्रकाशित होणारे त्यांचे लेख, लोकांना घरगुती कामे आणि दैनंदिन स्वयंपाकाच्या कामांमध्ये मदत करण्यासाठी तयार केलेल्या रोबोट्सची कौशल्ये सुधारण्यात योगदान देऊ शकतात.
झेंजिया जू, झोउ झियान आणि सहकाऱ्यांनी त्यांच्या पेपरमध्ये नमूद केले आहे की, हार्ड कोअर जतन करताना एखाद्या वस्तूचा मऊ भाग काढून टाकणे हे RoboNinja चे उद्दिष्ट आहे, त्याद्वारे कार्यक्षमता वाढवणे, पूर्वीच्या अभ्यासाच्या विपरीत ज्याने एकल-मटेरियल ऑब्जेक्ट्स कापण्यासाठी ओपन-लूप कटिंग क्रियांचा वापर केला होता ( जसे काकडीचे तुकडे करणे). आमचा दृष्टीकोन हे करण्यासाठी इंटरएक्टिव्ह स्टेट एस्टिमेटर आणि परसेप्शन-अॅक्शन लूप बंद करण्यासाठी अडॅप्टिव्ह इंटरप्ट पॉलिसी वापरतो.
संगणक प्रोग्राम वापरून, ते एक संगणक प्रोग्राम तयार करण्यास सक्षम होते ज्यामुळे त्यांना एक संगणक प्रोग्राम तयार करता येईल जो कोणत्याही संगणकावर चालू शकेल. मध्यवर्ती बियाण्याशी टक्कर कमी करताना आणि शक्य तितक्या कमी शक्तीचा वापर करताना शक्य तितका लगदा काढणे हे सिस्टमचे लक्ष्य आहे.
रोबोट्सची कटिंग प्रक्रिया आणि विकसित अल्गोरिदम
Xu, Xian आणि सहकाऱ्यांच्या पेपरनुसार, सिस्टम एखाद्या ऑब्जेक्टच्या गाभ्याच्या स्थितीचा आणि भूमितीचा वारंवार अंदाज लावण्यासाठी विरळ टक्कर माहिती वापरते, त्यानंतर अंदाजित स्थिती आणि सहिष्णुता मूल्यावर आधारित क्लोज-लूप इंटरप्ट क्रिया तयार करते. विधानानुसार, "अनुमानित कर्नलपासून अनुकूली सुरक्षा अंतर राखून टक्कर पूर्ण करताना सहिष्णुता मूल्य धोरणातील पुराणमतवाद बदलते".
बहु-मटेरिअल ऑब्जेक्ट्स कापण्यासाठी त्यांच्या सिस्टमचे मूल्यांकन करण्यासाठी, संशोधकांनी कटिंग सिम्युलेशन वातावरण विकसित केले जे त्यांना तोंड द्यावे लागलेल्या आव्हानासाठी अधिक अनुकूल आहे. या वातावरणात, रोबोट हार्ड आणि मऊ पदार्थांच्या मिश्रणाने बनवलेल्या वस्तू विविध प्रकारे कापू शकतो.
Xu, Xian et al. च्या पेपरनुसार, “वर्तमान सिम्युलेटर बहु-मटेरिअल उत्पादनांचे अनुकरण करण्यासाठी किंवा संपूर्ण कटिंग प्रक्रियेदरम्यान ऊर्जेच्या वापराची गणना करण्यासाठी मर्यादित आहेत. या समस्येचे निराकरण करण्यासाठी, आम्ही एक भिन्न कातरणे सिम्युलेटर तयार करत आहोत जो मल्टी-मटेरिअल कनेक्टिव्हिटीला समर्थन देतो आणि पॉलिसी शिक्षणासाठी नमुना ऑप्टिमाइझ ट्रॅजेक्टोरीज तयार करण्यास सक्षम करतो.
RoboNinja ने Xu, Xian आणि सहकाऱ्यांच्या रोबोटिक ग्रिपरच्या सिम्युलेशनला कठीण भागांसह टक्कर मर्यादित ठेवताना आणि सहन करण्यायोग्य ऊर्जा वापरून वस्तूंमधून लक्षणीय प्रमाणात मऊ सामग्री काढण्यास सक्षम केले. वास्तविक-जगातील परिस्थितींमध्ये फ्रेमवर्कच्या कार्यप्रदर्शनाची पुष्टी करण्यासाठी आणि विविध कोर भूमितीसह वस्तू कापताना, संघाने नंतर वास्तविक रोबोटिक ग्रिपरवर त्याची चाचणी केली.
त्यांच्या अहवालात, संशोधकांनी लिहिले आहे की आमच्या चाचण्यांनी नाविन्यपूर्ण कोर भूमिती आणि अगदी वास्तविक फळापर्यंत आमच्या धोरणाची सामान्यता दर्शविली आहे. "आम्ही आमच्या प्रयोगांचे परिणाम आणि नव्याने तयार केलेल्या सिम्युलेटरमुळे बहु-मटेरिअल घटकांसह परस्परसंवाद समाविष्ट असलेल्या रोबोट शिक्षणावर पुढील संशोधनास चालना मिळण्याची अपेक्षा आहे," लेखक लिहितात.
स्रोत: Techxplore
Günceleme: 14/03/2023 14:36