AI はロボットが全身で物体を操作するのを支援します

MIT ニュース オフィスの Web サイトでダウンロードできる画像は、クリエイティブ コモンズ表示、非営利、改変禁止ライセンスに基づいて、非営利団体、報道機関、および一般の人々に提供されています。 提供された画像は、サイズに合わせてトリミングする以外に変更することはできません。 画像を複製する場合はクレジットラインを使用する必要があります。 以下に提供されていない場合は、画像のクレジットを「MIT」に記載してください。

前の画像 次の画像

大きくて重い箱を階段で運びたいと想像してください。 指を広げて両手で箱を持ち上げ、前腕の上で箱を持ち、胸でバランスをとりながら、体全体を使って箱を操作します。

一般に人間は全身を操作するのが得意ですが、ロボットはそのような作業に苦労します。 ロボットにとって、箱が運搬者の指、腕、胴体の任意の点に接触する可能性がある各点は、推論する必要がある接触イベントを表します。 何十億もの潜在的な接触イベントがあるため、このタスクの計画はすぐに困難になります。

今回、MIT の研究者は、接触リッチ操作計画として知られる、このプロセスを簡素化する方法を発見しました。 彼らは、多くの接触イベントを少数の決定に要約するスムージングと呼ばれる AI 技術を使用して、単純なアルゴリズムでもロボットの効果的な操作計画を迅速に特定できるようにします。

この方法はまだ初期段階にあるが、工場では指先だけで物をつかむことができる大型のロボットアームではなく、腕や体全体で物体を操作できる小型の移動ロボットを使用できるようになる可能性がある。 これにより、エネルギー消費が削減され、コストが削減される可能性があります。 さらに、この技術は、搭載されたコンピューターのみを使用して環境に素早く適応できるため、火星や他の太陽系天体への探査ミッションに派遣されるロボットにも役立つ可能性があります。

「これをブラックボックス システムとして考えるのではなく、モデルを使用してこの種のロボット システムの構造を活用できれば、これらの決定を下し、コンタクト リッチなシステムを考案する手順全体を加速する機会が得られます。計画しています」と、電気工学およびコンピュータ サイエンス (EECS) の大学院生であり、この技術に関する論文の共同主著者である HJ Terry Suh 氏は述べています。

この論文に Suh 氏に加わるのは、共著者であるボストン ダイナミクス AI 研究所のロボット工学者である Tao Pang PhD '23 です。 Lujie Yang、EECS 大学院生。 そして主著者のラス・テドレイク氏は、EECS、航空宇宙学、機械工学のトヨタ教授であり、コンピューターサイエンス・人工知能研究所（CSAIL）のメンバーでもある。 この研究は今週、IEEE Transactions on Roboticsに掲載される。

学習についての学習

強化学習は、ロボットのようなエージェントが試行錯誤を通じてタスクを完了する方法を学習し、目標に近づくと報酬が得られる機械学習技術です。 研究者らは、システムは試行錯誤を通じて世界に関するすべてを学習する必要があるため、この種の学習にはブラックボックスアプローチが必要だと述べています。

これは、ロボットが指定された方法で物体を動かす最適な方法を学習しようとする、接触の多い操作計画に効果的に使用されています。

しかし、ロボットが物体と対話するために指、手、腕、体をどのように使うかを決定する際に推論しなければならない潜在的な接触点が数十億ある可能性があるため、この試行錯誤のアプローチには大量の計算が必要です。

「強化学習が実際にポリシーを学習できるようになるまでには、シミュレーション時間で数百万年を経る必要があるかもしれません」と Suh 氏は付け加えます。

一方、研究者がシステムに関する知識とロボットに達成させたいタスクを使用して物理ベースのモデルを具体的に設計した場合、そのモデルにはこの世界に関する構造が組み込まれており、より効率的になります。