p Se você olhar para este robô de escolha e posição, você verá imediatamente por que ele é tão importante - não tanto pela destreza e movimentos precisos, embora o robô pontue em ambos, mas apenas porque é tão inteligente. p É bastante óbvio, pelas notícias que saem dos laboratórios da universidade, que braços e mãos robóticos projetados para selecionar e selecionar são um tópico frequente; pesquisadores ambiciosos tentam pontuar mais para soluções eficientes.

p Como disse o MIT CSAIL, "por todo o progresso que fizemos com os robôs, eles ainda mal têm as habilidades de uma criança de dois anos. Os robôs de fábrica podem pegar o mesmo objeto repetidamente, e alguns podem até fazer algumas distinções básicas entre objetos, mas eles geralmente têm problemas para entender uma grande variedade de formas e tamanhos de objetos, ou ser capaz de mover esses objetos em diferentes poses ou locais. "

p O burburinho desta semana é sobre este robô, com seu estilo de "pontos-chave" caracterizado para atingir um nível mais avançado de coordenação. Eles exploraram uma nova maneira de identificar e mover classes inteiras de objetos, representando-os como grupos de pontos-chave 3-D.

p O engenheiro citou o professor Russ Tedrake do MIT, autor sênior do artigo que descreve seu trabalho e no arXiv. "Os robôs podem pegar quase tudo, mas se for um objeto que eles não viram antes, eles não podem realmente colocá-lo de forma significativa. "

p O engenheiro deu seu aceno para uma abordagem que soava como "um tipo de roteiro visual que permite uma manipulação mais matizada".

p Você pode ver o robô em ação em um vídeo de prévia do kPAM, "Manipulação precisa do robô com objetos nunca antes vistos." O que é kpam? Isso significa Keypoint Affordances for Robotic Level Manipulation. O robô obtém todas as informações de que precisa para coletar, mover e posicionar objetos.

p "Entender um pouco mais sobre o objeto - a localização de alguns pontos-chave - é o suficiente para permitir uma ampla gama de tarefas úteis de manipulação, "disse o professor Russ Tedrake do MIT.

p Um artigo descrevendo seu trabalho, que está ativo no arXiv, é intitulado "kPAM:KeyPoint Affordances for Category-Level Robotic Manipulation, "por Lucas Manuelli, Wei Gao, Peter Florence e Russ Tedrake. Eles estão com o CSAIL (Laboratório de Ciência da Computação e Inteligência Artificial) do Instituto de Tecnologia de Massachusetts.

p Aqui está o que os autores do artigo têm a dizer sobre como sua abordagem é um passo além dos "pipelines de manipulação" existentes. O último normalmente especifica a configuração desejada como uma pose alvo de 6 DOF, que tem suas limitações. Representar um objeto "com uma transformação parametrizada definida em um modelo fixo não pode capturar uma grande variação de forma intracategoria, e especificar uma pose de alvo em um nível de categoria pode ser fisicamente inviável ou falhar em realizar a tarefa. "

p Saber a pose e o tamanho de uma caneca de café em relação a uma caneca canônica está ok, mas não é suficiente pendurá-lo em um rack pela alça. A abordagem deles está usando "pontos-chave 3-D semânticos como a representação do objeto". Quais foram os resultados de sua exploração? Seu método foi capaz de lidar com "grandes variações intracategorias sem qualquer ajuste ou especificação por instância".

p A equipe relatou que "Extensos experimentos de hardware demonstram que nosso método pode realizar tarefas de maneira confiável com objetos nunca antes vistos em uma categoria, como colocar sapatos e canecas com variação significativa de formato em configurações de destino de nível de categoria. " p © 2019 Science X Network