Unterstützung von Robotern beim Umgang mit Flüssigkeiten

Vorheriges Bild Nächstes Bild

Stellen Sie sich vor, Sie genießen an einem windigen Tag ein Picknick am Flussufer. Ein Windstoß erfasst versehentlich Ihre Papierserviette, landet auf der Wasseroberfläche und weht schnell von Ihnen weg. Sie nehmen einen nahegelegenen Stock und rühren das Wasser vorsichtig um, um es herauszuholen, wodurch eine Reihe kleiner Wellen entsteht. Diese Wellen drücken die Serviette schließlich zurück zum Ufer, sodass Sie sie ergreifen. In diesem Szenario fungiert das Wasser als Medium zur Kraftübertragung, sodass Sie die Position der Serviette ohne direkten Kontakt manipulieren können.

Menschen beschäftigen sich in ihrem täglichen Leben regelmäßig mit verschiedenen Arten von Flüssigkeiten, doch dies war für aktuelle Robotersysteme ein gewaltiges und schwer fassbares Ziel. Gib dir einen Latte? Ein Roboter kann das tun. Mach es? Das erfordert etwas mehr Nuancen.

FluidLab, ein neues Simulationstool von Forschern am MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), verbessert das Roboterlernen für komplexe Flüssigkeitsmanipulationsaufgaben wie die Herstellung von Latte Art, Eiscreme und sogar die Manipulation von Luft. Die virtuelle Umgebung bietet eine vielseitige Sammlung komplexer Herausforderungen im Umgang mit Flüssigkeiten, an denen sowohl Feststoffe als auch Flüssigkeiten und mehrere Flüssigkeiten gleichzeitig beteiligt sind. FluidLab unterstützt die Modellierung von Feststoffen, Flüssigkeiten und Gasen, einschließlich elastischer, plastischer, starrer Objekte, Newtonscher und nicht-Newtonscher Flüssigkeiten sowie Rauch und Luft.

Das Herzstück von FluidLab ist FluidEngine, ein benutzerfreundlicher Physiksimulator, der verschiedene Materialien und ihre Wechselwirkungen nahtlos berechnen und simulieren kann und gleichzeitig die Leistung von Grafikprozessoren (GPUs) für eine schnellere Verarbeitung nutzt. Die Engine ist „differentiell“, was bedeutet, dass der Simulator physikalische Kenntnisse für ein realistischeres physisches Weltmodell integrieren kann, was zu einem effizienteren Lernen und einer effizienteren Planung für Roboteraufgaben führt. Im Gegensatz dazu fehlt den meisten bestehenden Methoden des verstärkenden Lernens dieses Weltmodell, das nur auf Versuch und Irrtum beruht. Diese verbesserte Fähigkeit, sagen die Forscher, ermöglicht es Benutzern, mit Roboterlernalgorithmen zu experimentieren und mit den Grenzen aktueller Robotermanipulationsfähigkeiten zu experimentieren.

Um die Bühne zu bereiten, testeten die Forscher diese Roboter-Lernalgorithmen mit FluidLab und entdeckten und bewältigten einzigartige Herausforderungen in Fluidsystemen. Durch die Entwicklung cleverer Optimierungsmethoden konnten sie diese Erkenntnisse aus Simulationen effektiv auf reale Szenarien übertragen.

„Stellen Sie sich eine Zukunft vor, in der ein Haushaltsroboter Sie mühelos bei alltäglichen Aufgaben unterstützt, wie Kaffee kochen, Frühstück zubereiten oder Abendessen kochen. Diese Aufgaben beinhalten zahlreiche Herausforderungen bei der Flüssigkeitsmanipulation. Unser Benchmark ist ein erster Schritt, um Roboter in die Lage zu versetzen, diese Fähigkeiten zu beherrschen, was den Haushalten zugutekommt.“ und am Arbeitsplatz gleichermaßen“, sagt Chuang Gan, Gastforscher am MIT CSAIL und Forschungswissenschaftler am MIT-IBM Watson AI Lab, der leitende Autor eines neuen Artikels über die Forschung. „Diese Roboter könnten beispielsweise Wartezeiten verkürzen und das Kundenerlebnis in geschäftigen Cafés verbessern. FluidEngine ist unseres Wissens die erste Physik-Engine ihrer Art, die eine breite Palette von Materialien und Kopplungen unterstützt und gleichzeitig vollständig differenzierbar ist.“ Mit unseren standardisierten Flüssigkeitsmanipulationsaufgaben können Forscher Roboter-Lernalgorithmen evaluieren und die Grenzen der heutigen Robotermanipulationsfähigkeiten erweitern.“

Flüssige Fantasie

In den letzten Jahrzehnten haben sich Wissenschaftler im Bereich der Robotermanipulation hauptsächlich auf die Manipulation starrer Objekte oder auf sehr einfache Aufgaben der Flüssigkeitsmanipulation wie das Gießen von Wasser konzentriert. Die Untersuchung dieser Manipulationsaufgaben mit Flüssigkeiten in der realen Welt kann ebenfalls ein unsicheres und kostspieliges Unterfangen sein.

Bei der Flüssigkeitsmanipulation geht es jedoch nicht immer nur um Flüssigkeiten. Bei vielen Aufgaben, etwa beim Erzeugen des perfekten Eiswirbels, beim Mischen von Feststoffen mit Flüssigkeiten oder beim Paddeln durch das Wasser, um Objekte zu bewegen, handelt es sich um einen Tanz der Wechselwirkungen zwischen Flüssigkeiten und verschiedenen anderen Materialien. Simulationsumgebungen müssen die „Kopplung“ unterstützen, also die Art und Weise, wie zwei unterschiedliche Materialeigenschaften interagieren. Flüssigkeitsmanipulationsaufgaben erfordern in der Regel eine ziemlich feine Präzision mit feinen Interaktionen und der Handhabung von Materialien, was sie von einfachen Aufgaben wie dem Schieben eines Blocks oder dem Öffnen einer Flasche unterscheidet.

Der Simulator von FluidLab kann schnell berechnen, wie verschiedene Materialien miteinander interagieren.

Zur Unterstützung der GPUs kommt „Taichi“ zum Einsatz, eine in Python eingebettete domänenspezifische Sprache. Das System kann Gradienten (Änderungsraten der Umgebungskonfigurationen in Bezug auf die Aktionen des Roboters) für verschiedene Materialtypen und deren Wechselwirkungen (Kopplungen) untereinander berechnen. Diese präzisen Informationen können verwendet werden, um die Bewegungen des Roboters für eine bessere Leistung zu optimieren. Dadurch ermöglicht der Simulator schnellere und effizientere Lösungen und unterscheidet ihn von seinen Gegenstücken.

Die zehn Aufgaben, die das Team vorlegte, ließen sich in zwei Kategorien einteilen: die Verwendung von Flüssigkeiten zur Manipulation schwer zugänglicher Objekte und die direkte Manipulation von Flüssigkeiten für bestimmte Ziele. Beispiele hierfür waren das Trennen von Flüssigkeiten, das Führen schwimmender Gegenstände, der Transport von Gegenständen mit Wasserstrahlen, das Mischen von Flüssigkeiten, die Herstellung von Latte Art, das Formen von Eiscreme und die Steuerung der Luftzirkulation.

„Der Simulator funktioniert ähnlich wie Menschen ihre mentalen Modelle verwenden, um die Konsequenzen ihrer Handlungen vorherzusagen und fundierte Entscheidungen bei der Manipulation von Flüssigkeiten zu treffen. Dies ist ein wesentlicher Vorteil unseres Simulators im Vergleich zu anderen“, sagt Zhou Xian, Doktorand an der Carnegie Mellon University, ein anderer Autor auf dem Papier. „Während andere Simulatoren in erster Linie Reinforcement Learning unterstützen, unterstützt unser Simulator Reinforcement Learning und ermöglicht effizientere Optimierungstechniken. Die Nutzung der vom Simulator bereitgestellten Gradienten unterstützt eine hocheffiziente Richtliniensuche und macht ihn zu einem vielseitigeren und effektiveren Werkzeug.“

Nächste Schritte

Die Zukunft von FluidLab sieht rosig aus. In der aktuellen Arbeit wurde versucht, in der Simulation optimierte Trajektorien direkt und im offenen Regelkreis auf reale Aufgaben zu übertragen. Für die nächsten Schritte arbeitet das Team an der Entwicklung einer geschlossenen Simulationsrichtlinie, die als Eingabe den Zustand oder die visuellen Beobachtungen der Umgebungen verwendet, Flüssigkeitsmanipulationsaufgaben in Echtzeit ausführt und die erlernten Richtlinien dann in reale Szenen überträgt .

Die Plattform ist öffentlich zugänglich und die Forscher hoffen, dass sie künftigen Studien bei der Entwicklung besserer Methoden zur Lösung komplexer Flüssigkeitsmanipulationsaufgaben zugute kommt. „Menschen interagieren mit Flüssigkeiten bei alltäglichen Aufgaben, einschließlich dem Eingießen und Mischen von Flüssigkeiten (Kaffee, Joghurt, Suppen, Teig), Waschen und Reinigen mit Wasser und mehr“, sagt Ming Lin, Informatikprofessor an der University of Maryland, der nicht an der Arbeit beteiligt war. „Damit Roboter Menschen unterstützen und in ähnlichen Funktionen bei alltäglichen Aufgaben dienen können, wären neuartige Techniken für die Interaktion und den Umgang mit verschiedenen Flüssigkeiten mit unterschiedlichen Eigenschaften (z. B. Viskosität und Dichte von Materialien) erforderlich und bleiben eine große rechnerische Herausforderung für die reale Welt. zeitautonome Systeme. Diese Arbeit stellt die erste umfassende Physik-Engine, FluidLab, vor, um die Modellierung verschiedener, komplexer Flüssigkeiten und deren Kopplung mit anderen Objekten und dynamischen Systemen in der Umgebung zu ermöglichen. Die in der Arbeit vorgestellte mathematische Formulierung von „differenzierbaren Flüssigkeiten“ macht Es ist möglich, die vielseitige Fluidsimulation als Netzwerkschicht in lernbasierte Algorithmen und neuronale Netzwerkarchitekturen zu integrieren, damit intelligente Systeme in realen Anwendungen funktionieren.“

Gan und Xian haben die Arbeit zusammen mit Hsiao-Yu Tung geschrieben, einem Postdoc in der MIT-Abteilung für Gehirn- und Kognitionswissenschaften; Antonio Torralba, MIT-Professor für Elektrotechnik und Informatik und CSAIL-Hauptforscher; Bo Zhu, Assistenzprofessor am Dartmouth College, Zhenjia Xu, Doktorandin an der Columbia University, und Katerina Fragkiadaki, Assistenzprofessorin an der CMU. Die Forschung des Teams wird vom MIT-IBM Watson AI Lab, Sony AI, einem DARPA Young Investigator Award, einem NSF CAREER Award, einem AFOSR Young Investigator Award, DARPA Machine Common Sense und der National Science Foundation unterstützt.

Die Forschung wurde Anfang dieses Monats auf der International Conference on Learning Representations vorgestellt.

Vorheriger Artikel Nächster Artikel