Робот находился над ящиком, заполненным случайными предметами, от коробки овсянки до маленькой игрушечной акулы. Этот двухрукий автомат не узнал ничего из этого, но это не имело значения. Он добрался до кучи и начал собирать вещи один за другим за другим
«Он определяет лучший способ захватить каждый объект, прямо с середины беспорядка», — сказал Джефф Малер, один из исследователей, разрабатывающих робота в лаборатории Калифорнийского университета в Беркли.
Для типичного человека это простая задача. Для робота это замечательный талант — что-то, что может привести к значительным изменениям в некоторых крупнейших мировых компаниях и еще больше изменить рынок человеческого труда.
Сегодня роботы играют важную роль в розничных гигантах, таких как Amazon и таких производственных компаниях, как Foxconn. Но эти машины запрограммированы на очень конкретные задачи, такие как перемещение определенного типа контейнера через склад или размещение конкретного чипа на плате. Они не могут разбираться в большой куче вещей или выполнять более сложные задачи. В массовых распределительных центрах Amazon, где основная задача — сортировка материалов, все же большую часть работы выполняют армии людей.
Робот Беркли был тем более замечательным, потому что он мог схватить вещи, которых он никогда раньше не видел. Г-н Малер и остальная команда Беркли обучили машину, показав ей сотни чисто цифровых объектов, и после этого обучения он мог забрать предметы, которые не были представлены в его цифровом наборе данных.
«Мы учимся на моделируемых моделях, а затем применяем это для реальной работы», — сказал Кен Голдберг, профессор Беркли, который курирует лабораторию автоматизации университета.
Робот был далек от совершенства, и может быть еще несколько лет до того, как мы увидим его за пределами исследовательских лабораторий. Хотя он был оснащен присоской или параллельным захватом — своеобразной рукой с двумя пальцами — он мог надежно обрабатывать только очень много предметов. И он не мог переключаться между чашей и захватом на лету. Но методы, используемые для обучения, представляли собой фундаментальный сдвиг в исследованиях робототехники, сдвиг, который мог бы перестроить не только склады Amazon, но целые отрасли.
Вместо того, чтобы пытаться программировать поведение в своем роботе — кропотливая задача — г-н Малер и его команда дали ему возможность самостоятельно решать задачи. Исследователи в таких местах, как Северо-Восточный университет, Университет Карнеги-Меллона, Google и OpenAI, разрабатывают подобные методы, и многие считают, что такое машинное обучение позволит роботам освоить гораздо более широкий массив задач, включая производство.
«Это может быть связано с задачами сборки и более сложными операциями», — сказал Хуан Апарисио, глава отдела передовой автоматизации производства немецкого промышленного гиганта Siemens, который помогает финансировать исследования в Беркли.
Физически робот Беркли не был чем-то новым. Г-н Малер и его команда использовали существующее оборудование, в том числе два роботизированных манипулятора от швейцарской фирмы и камеру, которая захватывала глубину.
То, что было другим, было программное обеспечение. Это продемонстрировало новое применение для так называемых нейронных сетей. Созданная по типу сети нейронов в мозге человека нейронная сеть представляет собой сложный алгоритм, который может изучать задачи, анализируя огромные объемы данных. Например, ища шаблоны тысячах фотографий собаки, нейронная сеть может научиться распознавать собаку.
Свежие комментарии