I robot imparano i tratti degli oggetti tremando

I ricercatori del MIT, Amazon Robotics e dell'Università della British Columbia hanno sviluppato un metodo che consente ai robot di conoscere il peso, la morbidezza o i contenuti di un oggetto scuotendolo delicatamente.I robot possono utilizzare i sensori interni per determinare la massa di un oggetto in pochi secondi, senza richiedere telecamere o strumenti esterni.Questa tecnica a basso costo è benefica negli ambienti in cui le telecamere potrebbero non funzionare, come negli spazi scuri o durante il recupero di emergenza.

Una parte fondamentale del metodo è un processo di simulazione che modella sia il robot che l'oggetto, che consente al robot di identificare rapidamente le caratteristiche dell'oggetto durante l'interazione.La tecnica è efficace quanto i metodi di visione artificiale più costosi.È abbastanza robusto da gestire una varietà di scenari invisibili, rendendola una soluzione versatile per diverse applicazioni robotiche.


Segnali di rilevamento
Il metodo dei ricercatori utilizza la propriocezione, che è la capacità di percepire il movimento o la posizione, simile a come gli umani sentono il peso di un manubrio.Un robot può percepire la pesantezza di un oggetto attraverso le articolazioni del braccio.Mentre il robot solleva un oggetto, raccoglie i dati dagli encoder giunti, che misurano la posizione e la velocità dei suoi giunti, rendendo il metodo conveniente senza bisogno di sensori extra come touch o percorsi di visione.Il sistema utilizza due modelli per il movimento del robot e il comportamento dell'oggetto.Monitorando i movimenti del robot e usando i dati articolari, l'algoritmo emette le proprietà dell'oggetto, come il modo in cui un oggetto più pesante si muove più lentamente di uno più leggero sotto la stessa forza.

Simulazioni differenziabili
La tecnica utilizza una simulazione differenziabile per prevedere in che modo i cambiamenti nelle proprietà di un oggetto, come la massa o la morbidezza, influenzano la posizione dell'articolazione finale del robot.I ricercatori sperano di combinare questa tecnica con la visione artificiale per un sistema multimodale più potente.Mirano anche ad applicarlo a sistemi robotici più complessi, come robot morbidi, e gestire oggetti come liquidi sloshing o materiali granulari.In definitiva, immaginano questa tecnica che migliora l'apprendimento dei robot, consentendo ai robot di sviluppare nuove capacità di manipolazione e adattarsi rapidamente ai mutevoli ambienti.