Home Soluzioni Manufacturing Robot: una rete neurale vale più dell'addestramento pratico

Robot: una rete neurale vale più dell’addestramento pratico

I ricercatori dell’Università di Berkeley hanno sviluppato un robot che è particolarmente abile nell’impugnare piccoli oggetti.

Un’abilità che gli apre le porte verso numerosi compiti di solito proibitivi per i robot e che – questa è la particolarità del progetto – non gli deriva da lunghe sessioni di addestramento pratico o dalla conoscenza diretta degli oggetti.

A decidere come si impugna un nuovo oggetto è infatti una rete neurale – DexNet – che poi dà le necessarie istruzioni al robot.

È quindi la rete neurale che ha dovuto imparare come si impugnano gli oggetti per poi poter capire come comportarsi con un oggetto generico mai visto prima.

Per questo i ricercatori hanno presentato agli algoritmi di machine learning oltre un migliaio di oggetti virtuali, presentando i loro modelli tridimensionali, l’aspetto che hanno e la “fisica” del come impugnarli.

Questa forma di addestramento è molto più rapida di quella che si effettua di solito con i robot. In questo modo, spiegano i ricercatori, è bastato un giorno per generare abbastanza dati da addestrare gli algoritmi di machine learning.

Di norma per un robot servono mesi di addestramento con diversi oggetti fisici prima di imparare.

Messo di fronte a un oggetto che non conosce, il robot lo inquadra e “attiva” la rete neurale DexNet passandole l’immagine dell’oggetto.

Gli algoritmi, in base al loro addestramento, decidono il modo migliore per impugnarlo associandovi una probabilità di successo. Se questa probabilità è superiore al 50% il robot procede come stabilito. In questi casi il robot impugna l’oggetto senza farlo cadere il 98% delle volte.

Se la rete neurale non riesce a stabilire un modo di impugnare l’oggetto che abbia una “sicurezza” superiore al 50 percento, vuol dire che servono più informazioni. Per questo il braccio robotico dà qualche colpetto all’oggetto, in modo da poterlo inquadrare in un’altra posizione.

Con le nuove informazioni sulla forma dell’oggetto la rete neurale definisce un diverso modo di impugnarlo e lo esegue se la sua probabilità di successo stavolta è stimata in più del 50%. Con questa procedura l’impugnatura è abbastanza salda il 99% delle volte.

Il progetto di ricerca di Berkeley è stato condotto con l’aiuto di Siemens. L’azienda tedesca in campo robotico punta proprio sullo sviluppo di sistemi controllati via cloud, come in linea di principio è quello di DexNet.

Lo sviluppo di una “intelligenza” adattabile in cloud per guidare i robot può portare a nuovi tipi di applicazioni industriali, andando oltre le capacità dei robot attuali che sono molto precisi nello svolgere compiti predefiniti ma quasi completamente incapaci di “affrontare” oggetti che non conoscono.

LASCIA UN COMMENTO

Inserisci il tuo commento
Inserisci il tuo nome

Se questo articolo ti è piaciuto e vuoi rimanere sempre informato sulle novità tecnologiche

css.php