Orang dilahirkan dengan kemampuan untuk mengubah perilaku mereka sesuai dengan benda yang mereka pegang dan tugas yang mereka coba lakukan. Misalnya, siswa dapat belajar membuang kulit luar dengan hati-hati saat memotong buah atau sayuran tertentu, atau memotong bagian yang lebih keras seperti alpukat atau biji persik.
Robot harus dapat secara efisien memotong benda dengan komposisi atau tekstur bahan campuran untuk membantu manusia dalam tugas umum seperti memasak dan menyiapkan makanan. Namun sejauh ini mentransfer kemampuan ini ke robot terbukti sangat sulit.
RoboNinja, sistem berbasis pembelajaran mesin yang baru-baru ini dikembangkan oleh para peneliti di Universitas Columbia, CMU, UC Berkeley, dan institusi Amerika lainnya, dapat memungkinkan robot memotong objek multi-materi, terutama benda lunak dengan inti keras. Artikel-artikelnya, yang diterbitkan di layanan pracetak ArXiv, dapat berkontribusi untuk meningkatkan keterampilan robot yang dibuat untuk membantu orang melakukan pekerjaan rumah tangga dan tugas memasak sehari-hari.
Zhenjia Xu, Zhou Xian, dan rekan mencatat dalam makalah mereka bahwa RoboNinja bertujuan untuk menghilangkan bagian lunak dari suatu objek sambil mempertahankan inti keras, sehingga memaksimalkan efisiensi, tidak seperti penelitian sebelumnya yang menggunakan tindakan pemotongan loop terbuka untuk memotong objek material tunggal ( seperti mengiris mentimun). Pendekatan kami menggunakan estimator keadaan interaktif untuk melakukan ini dan kebijakan interupsi adaptif untuk menutup loop persepsi-tindakan.
Dengan menggunakan program komputer, mereka dapat membuat program komputer yang memungkinkan mereka membuat program komputer yang dapat berjalan di komputer mana pun. Tujuan dari sistem ini adalah untuk mengekstrak pulp sebanyak mungkin sambil mengurangi tumbukan dengan benih pusat dan menggunakan tenaga sesedikit mungkin.
Proses Pemotongan Robot dan Algoritma yang Dikembangkan
Menurut makalah oleh Xu, Xian dan rekannya, sistem menggunakan informasi tumbukan jarang untuk berulang kali memprediksi posisi dan geometri inti objek, kemudian menghasilkan tindakan interupsi loop tertutup berdasarkan keadaan yang diprediksi dan nilai toleransi. Menurut pernyataannya, “Nilai toleransi mengubah konservatisme kebijakan saat menemui tabrakan dengan menjaga jarak aman adaptif dari kernel yang diperkirakan”.
Untuk mengevaluasi sistem pemotongan objek multi-bahan, para peneliti mengembangkan lingkungan simulasi pemotongan yang lebih sesuai dengan tantangan yang mereka hadapi. Di lingkungan ini, robot dapat memotong benda yang terbuat dari kombinasi bahan keras dan lunak dengan berbagai cara.
Menurut Xu, makalah Xian et al., “Simulator saat ini terbatas dalam mensimulasikan produk multi-material atau menghitung penggunaan energi selama proses pemotongan. Untuk mengatasi masalah ini, kami membuat simulator geser yang dapat dibedakan yang mendukung konektivitas multi-material dan memungkinkan pembuatan lintasan sampel yang dioptimalkan untuk pembelajaran kebijakan.
RoboNinja memungkinkan simulasi gripper robotik Xu, Xian, dan rekannya untuk mengekstrak sejumlah besar material lunak dari objek sambil membatasi tabrakan dengan bagian keras dan mengonsumsi energi dalam jumlah yang dapat ditoleransi. Untuk lebih memvalidasi kinerja kerangka dalam skenario dunia nyata dan saat memotong objek dengan berbagai geometri inti, tim kemudian mengujinya pada gripper robot sungguhan.
Dalam laporan mereka, para peneliti menulis bahwa uji coba kami menunjukkan generalisasi strategi kami untuk geometri inti inovatif dan bahkan buah asli. “Kami mengharapkan hasil percobaan kami dan simulator yang baru dibuat untuk memacu penelitian lebih lanjut tentang pembelajaran robot yang melibatkan interaksi dengan elemen multi-material,” tulis para penulis.
Sumber: Techexplore
Günceleme: 14/03/2023 14:36