FUENTE:  https://www.roboticstomorrow.com/story/2020/03/seen-stored-learned-self-learning-robots-solve-tasks-with-the-help-of-an-ensenso-3d-camera/15065/

Probar diferentes comportamientos es uno de los métodos de aprendizaje clásicos. El éxito o el fracaso decide qué comportamiento se adopta. Este principio puede transferirse al mundo de los robots. En el Instituto de Automatización Inteligente de Procesos y Robótica del Instituto de Tecnología de Karlsruhe (KIT), el Robot Learning Group (ROLE) se centra en varios aspectos del aprendizaje automático. Los científicos están investigando cómo los robots pueden aprender a resolver tareas probándolas de forma independiente. Estos métodos se usan en particular para aprender la manipulación de objetos, por ejemplo para agarrar objetos en un escenario típico de recolección de basura. Una cámara 3D Ensenso N10 directamente en la «cabeza» del robot proporciona los datos de imagen requeridos.

El agarre de objetos que se encuentran al azar es una tarea central, especialmente en la automatización industrial. Sin embargo, las soluciones actuales de recogida de contenedores a menudo son inflexibles y están fuertemente adaptadas a la pieza de trabajo que se va a agarrar. Los proyectos de investigación del Robot Learning Group prometen un remedio, por ejemplo, con robots que aprenden independientemente a recoger objetos previamente desconocidos de un contenedor. Para aprender tal tarea, el robot primero comienza con intentos aleatorios de agarre, como lo haría un humano. Una red neuronal conecta las imágenes en 3D tomadas con los intentos de agarre exitosos o no exitosos. Para cada imagen, se almacena el resultado de agarre, que fue determinado por un sensor de fuerza en la pinza. La IA (inteligencia artificial) utiliza los datos almacenados para identificar puntos de agarre significativos para los objetos y, por lo tanto, se «entrena» a sí mismo. Como es habitual con los métodos modernos de aprendizaje por refuerzo *, una gran cantidad de datos y muchos intentos de agarre son esenciales para esto. Sin embargo, los investigadores de KIT pudieron reducir significativamente el número de estos últimos y, por lo tanto, también acortaron el tiempo requerido para el aprendizaje. 

*) Fortalecimiento del aprendizaje en el área de la máquina, en la que una estrategia se aprende independientemente con el apoyo de recompensas. 


El agarre correcto reduce el tiempo de entrenamiento.
En contraste con los métodos de agarre analíticos (o basados ​​en modelos), el robot ROLE no necesita tener las características necesarias para reconocimiento descrito de antemano. Sin embargo, juega un papel importante en la frecuencia con la que el sistema ha podido capturar con éxito un objeto con imágenes «similares». El agarre que el robot prueba es crítico para un éxito de aprendizaje más rápido. Con la ayuda de una red neuronal, se pueden predecir resultados apasionantes utilizando el conocimiento existente. 

«Para un sistema que funcione bien, actualmente necesitamos alrededor de 20,000 experimentos de agarre, lo que corresponde a aproximadamente 80 horas de entrenamiento en el robot», explica Lars Berscheid, investigador de KIT y parte del Robot Learning Group.Estas cifras son valores aproximados y dependen de muchos factores, como la tasa de agarre de los agarres aleatorios, que a su vez está influenciada, entre otras cosas, por la geometría del componente. Como es común con los sistemas de aprendizaje, la cantidad de datos disponibles es el factor limitante para las capacidades del sistema. 

«Por lo tanto, una tarea esencial de nuestra investigación es reducir el número de intentos de agarre necesarios. La pregunta científica central aquí es, por lo tanto: qué agarres deben probarse para obtener tanta información como sea posible lo más rápido posible y así acortar el tiempo de entrenamiento «, agrega Berscheid. 

En este punto, también se usa el aprendizaje de transferencia. El conocimiento de una red neuronal ya entrenada se puede utilizar para el reconocimiento de objetos previamente desconocidos. Cuanto mayor sea el número y el rango de objetos de entrenamiento del sistema, mejor puede generalizarse a objetos desconocidos. Esto podría eliminar permanentemente la necesidad de capacitación específica de objetos para aplicaciones. El objetivo a largo plazo es un sistema de control que pueda comprender de manera independiente y flexible cosas arbitrarias y desconocidas con confiabilidad industrial. 



Aprender sin un modelo dado
Esta es exactamente la diferencia crucial para las soluciones actuales de recogida de contenedores. El sistema de investigación del grupo ROLE funciona sin un modelo «enseñado» de la pieza de trabajo a sujetar y, por lo tanto, también para objetos desconocidos. En principio, no hay restricciones con respecto a su forma y naturaleza. El conocimiento de las propiedades del material y la superficie tampoco es necesario y se aprende implícitamente. Esta es la gran ventaja del enfoque sin modelo, para el cual ni la forma 3D de un objeto ni el modelado matemático del proceso de agarre son necesarios.Podría usarse de manera flexible en la industria y con menos esfuerzo de programación.Sería posible la automatización de muchas aplicaciones nuevas, desde la intralogística hasta la robótica de servicios. Al mismo tiempo, se pueden realizar otros tipos de manipulación de objetos, como el movimiento, además del agarre en sí. 

El robot aprende a mover objetos de forma independiente de tal manera que se puedan comprender mejor en el siguiente paso. Esto permite que una caja se vacíe por completo sin ningún equipo adicional (por ejemplo, placas de agitación). 

El entrenamiento del robot funciona completamente sin intervención humana. En la práctica, esta misma automatización del proceso de aprendizaje es uno de los mayores desafíos.Solo cuando el sistema cumple con todos los requisitos, por ejemplo, un tiempo de ciclo dado, puede usarse productivamente en la producción y, por supuesto, aprender más. 

Aquí, también, hay ventajas de tiempo sobre el procedimiento habitual para las aplicaciones de recogida de basura. Por un lado, el sistema ROLE es muy rápido con solo 20 milisegundos al calcular el siguiente agarre. Por otro lado, la programación manual se reduce cuando se pone en marcha el sistema. La recogida de contenedores podría ganar considerablemente flexibilidad. 

Los datos de imágenes en 3D como bas son
Los datos visuales para el robot son proporcionados por una cámara Ensenso 3D. Mira desde arriba al contenedor, que se llena aleatoriamente con objetos de uno o más tipos. El sistema de procesamiento de imágenes proyecta una textura de alto contraste en el contenido de la caja y genera una nube de puntos 3D de las superficies visibles desde arriba como base para calcular la imagen de profundidad en escala de grises. Este paso se implementa directamente en el SDK de Ensenso. La imagen de profundidad luego se escala a una resolución de solo 12,000 píxeles y se usa como entrada para los algoritmos de IA. La red neuronal se encarga del análisis de la imagen y los pasos lógicos para el siguiente agarre en la caja. 

La cámara se monta directamente en la «cabeza» del robot para poder realizar de manera flexible diferentes experimentos. «Nos decidimos por una cámara Ensenso N10 porque el modelo permite una distancia mínima de solo 30 cm al objeto y tiene un amplio rango de distancia total. Como una cámara estéreo activa en el rango infrarrojo, que también es adecuada para escenas en movimiento, cumple todos nuestros requisitos «, Berscheid explicó la elección del modelo de cámara. La carcasa de aluminio compacta y robusta de la cámara Ensenso N10, con conectores GPIO atornillables para disparador y flash y conexión USB 2.0, está equipada con dos sensores CMOS monocromáticos (obturador global, 752 x 480 píxeles) y un proyector de patrones de longitud de onda infrarroja que funciona a 850 nm. 

Precalibrado y suministrado con una interfaz MVTec HALCON y API orientada a objetos (C ++, C # / .NET), la cámara 3D tiene distancias focales de 3.6 a 16 mm y es adecuada para distancias de trabajo de hasta 2,000 mm e incluso se puede usar para la detección 3D de objetos en movimiento. Los investigadores del grupo ROLE usan el NxLib del Ensenso SDK para capturar imágenes de profundidad y procesarlas con OpenCV y TensorFlow.



Los investigadores del Grupo ROLE usan Ensenso SDK para capturar imágenes de profundidad y procesarlas con OpenCV y TensorFlow. 

Perspectivas
Los métodos desarrollados en KIT marcan tendencia, pero los investigadores aún no han alcanzado su objetivo. «Si bien Bin Picking ya funciona de manera confiable con objetos simples como tornillos, todavía se necesita algo de investigación para alcanzar la madurez del producto, especialmente para agarrar objetos más complejos y desconocidos. Sin embargo, los métodos que desarrollamos son básicos y flexibles y pueden usarse para diferentes tareas «, dijo Lars Berscheid. Los sistemas de autoaprendizaje siguen siendo un tema central dentro de la investigación en robótica. A partir de proyectos orientados a aplicaciones, los científicos también se están dando cuenta de la necesidad de una mayor flexibilidad en la producción, que en robótica a menudo conduce al uso de más sensores y, por lo tanto, también a un mayor procesamiento de imágenes. 

En KIT, la investigación continuará enfocándose en dos temas centrales: Por un lado, cómo se pueden mejorar y acelerar los métodos básicos de aprendizaje. Técnicas como el entrenamiento con la ayuda de un gemelo digital, la simulación en la computadora y la transferencia posterior a un robot real, pero también la transferencia de conocimiento entre diferentes tareas son prometedoras. Por otro lado, los científicos están investigando qué nuevas aplicaciones podrían automatizarse mejor o incluso por primera vez con el aprendizaje de sistemas de robots. Aquí hay posibilidades interesantes, por ejemplo, en el manejo de textiles (agarrar y doblar toallas y ropa), el desmantelamiento de piezas industriales como motores eléctricos para reciclaje, la pintura de objetos desconocidos basados ​​en datos de la cámara o el manejo de líquidos o medios granulares. Este trabajo se aprende en simulación y luego se transfiere al robot real. 

Los desafíos son, por ejemplo, cómo se puede lograr un mayor aumento de las tasas de agarre y la robustez del sistema. «En principio, podemos lograr tasas de agarre superiores al 95% con el sistema ROLE», explica Berscheid. Esto significa que un máximo de 5 de cada 100 intentos de agarre no tienen éxito. La pregunta que surge ahora: ¿pueden los intentos fallidos restantes reducirse aún más mediante un aprendizaje más prolongado? 

Otro problema no trivial es cómo el sistema trata con los datos 3D faltantes en la imagen de profundidad. Actualmente, el equipo de ROLE se limita a agarrar objetos verticalmente desde arriba. Pero, ¿cómo puede el sistema usar los seis grados de libertad? También se buscan nuevas soluciones para otros desafíos típicos de la selección de contenedores sin modelos, en particular para los pasos posteriores del proceso, como el almacenamiento o el procesamiento posterior de los objetos agarrados. 

Los científicos de KIT todavía tienen mucha investigación por hacer, pero los enfoques y resultados anteriores muestran el inmenso potencial del aprendizaje automático para uso industrial. El procesamiento de imágenes en 3D está inevitablemente asociado con esto y proporciona datos básicos importantes para controlar las «manos del robot» hacia el agarre perfecto. Visto, salvado, aprendido: ese es el futuro. 

Cliente
El grupo de investigación «ROLE – Robot Learning Group» del Instituto de Automatización Inteligente de Procesos y Robótica del Instituto de Tecnología de Karlsruhe (KIT) se ocupa de diferentes puntos focales en las áreas de aprendizaje automático para robots. Esto incluye el refuerzo de aprendizaje 
-estrategias para trayectorias de movimiento (T. Kröger) 
-para la manipulación de objetos por robots y máquinas herramientas (T. Kröger) 
-de tareas complejas que se componen secuencial o concurrentemente de trayectorias de movimiento (P. Meißner) 
El grupo está particularmente interesado en la transferencia Sim-To-Real en todas las aplicaciones anteriores.


Esta web usa cookies analíticas y publicitarias (propias y de terceros) para analizar el tráfico y personalizar el contenido y los anuncios que le mostremos de acuerdo con su navegación e intereses, buscando así mejorar su experiencia. Si presiona "Aceptar" o continúa navegando, acepta su utilización. Puede configurar o rechazar su uso presionando "Configuración". Más información en nuestra Política de Cookies.


ACEPTAR
Aviso de cookies
Share This

¡Comparte en tus redes!

¡Comparte esta noticia con tus amigos!