اختصاصی شبکه علمی ثریا- انسان ها ذاتاً یاد می گیرند که حرکات خود را بر اساس موادی که در دست دارند و وظایفی که سعی در انجام آنها دارند تطبیق دهند. برای مثال، هنگام خرد کردن میوهها یا سبزیجات خاص، ممکن است یاد بگیرند که قسمتهای سختتر مانند آووکادو یا دانههای هلو را برش دهند یا پوست بیرونی را با دقت جدا کنند. رباتها برای کمک به انسان در انجام کارهای روزمره، مانند پخت و پز و تهیه غذا، باید بتوانند به طور موثر اجسام را با ترکیبات یا بافت مواد مخلوط برش دهند. با این حال، انتقال این قابلیت به رباتها تا کنون بسیار چالش برانگیز بوده است.
محققان دانشگاه کلمبیا، اخیراً RoboNinja را ایجاد کردهاند، یک سیستم مبتنی بر یادگیری ماشینی که میتواند به رباتها اجازه دهد اشیاء چند مادهای، بهویژه اجسام نرم با هستههای سخت را برش دهند. مقاله آنها در نهایت میتواند به افزایش قابلیتهای روباتهایی که برای کمک به انسانها در انجام کارهای روزمره و کارهای روزمره آشپزخانه طراحی شدهاند کمک کند. برخلاف کارهای قبلی که از اقدامات برش حلقه باز برای بریدن اجسام تک ماده استفاده میکردند (مثل برش دادن خیار)، هدف RoboNinja برداشتن بخش نرم جسم در عین حفظ هسته سفت و سخت و در نتیجه به حداکثر رساندن عملکرد است. برای دستیابی به این هدف، سیستم ما با استفاده از یک برآوردگر حالت تعاملی و یک خط مشی برش تطبیقی، حلقه ادراک-عمل را می بندد. آنها شروع به ایجاد سیستمی کردند که به یک ربات اجازه میدهد میوههایی مانند انبه، هلو و آووکادو را بهطور موثری برش دهد و پالپ نرم را از دانههای سفت وسط جدا کند. هدف سیستم آنها حذف هر چه بیشتر قسمت نرم میوه است، در حالی که برخورد با دانه مرکزی را به حداقل می رساند و مقدار محدودی انرژی مصرف می کند.
آنها میگویند:"این سیستم ابتدا از اطلاعات برخورد پراکنده برای تخمین مکرر موقعیت و هندسه هسته یک جسم استفاده می کند و سپس اقدامات برش حلقه بسته را بر اساس وضعیت تخمینی و مقدار تحمل هسته ایجاد می کند." «انطباق» خطمشی از طریق مقدار تحمل به دست میآید، که محافظهکاری خطمشی را در هنگام برخورد با هسته تعدیل میکند و فاصله ایمنی تطبیقی را از هسته تخمینی حفظ میکند. محققان برای ارزیابی سیستم خود برای برش اشیاء چند ماده ای، یک محیط شبیه سازی برش ایجاد کردند که برای ارزیابی مشکلی که با آن برخورد می کردند مناسب تر بود. این محیط دارای سناریوهای مختلفی است که در آن یک ربات اجسام ساخته شده از ترکیبی از مواد نرم و سفت را برش میدهد.شبیهسازهای موجود در شبیهسازی اجسام چند ماده یا محاسبه مصرف انرژی در طول فرآیند برش محدود هستند. برای پرداختن به این مشکل، ما یک شبیهساز برش متمایز توسعه میدهیم که از جفت چند مادهای پشتیبانی میکند و امکان تولید مسیرهای بهینهسازی شده را به عنوان نمایشی برای یادگیری سیاستها فراهم میکند.
نتایج شبیهسازیهایی که انجام شد، امیدوارکننده بود، زیرا RoboNinja به گیره رباتیک شبیهسازیشده خود اجازه داد مقدار قابلتوجهی از مواد نرم را از اجسام حذف کند، در حالی که برخورد با قطعات سفت را به حداقل رسانده و مقدار معقولی انرژی مصرف میکند. متعاقباً، این تیم چارچوب خود را بر روی یک گیره رباتیک واقعی آزمایش کرد تا عملکرد آن را در تنظیمات دنیای واقعی و در حین برش اشیاء با هندسههای هستهای مختلف تأیید کند. محققان در مقاله خود نتیجه گرفتند: "آزمایشات ما نشان می دهد که روش ما می تواند به خوبی به هندسه های اصلی جدید و حتی میوه های واقعی تعمیم پیدا کند." ما امیدواریم که یافتههای تجربی ما و شبیهساز جدید توسعهیافته، الهامبخش کار آینده بر روی یادگیری رباتهایی باشد که شامل تعامل با اشیاء چند ماده است.»