Neue Technologie ermöglicht humanoiden Robotern präzises Greifen zerbrechlicher Objekte

Letzten Monat hat ein Zürich geleitetes Team ein Rahmenwerk entwickelt, das große Sprachmodelle mit ROS verknüpft, sodass Roboter natürliche Sprachanweisungen verstehen und reale physikalische Aufgaben autonom ausführen können. Lernen für geschickte Roboter: Die Forscher haben ein neues KI-Rahmenwerk entwickelt, um die Ganzkörper-Manipulation humanoider Roboter in Umgebungen mit vielen Kontakten zu verbessern.

Das System, das als Humanoid Transformer with Touch Dreaming (HTD) bezeichnet wird, verbindet Imitationslernen mit prädiktivem Tastschätzung, sodass Roboter vorhersagen können, wie sich physischer Kontakt, Kraft und taktiler Feedback während des Objekthandlings entwickeln.

Im Gegensatz zu herkömmlichen Systemen, die vorwiegend auf Vision und Bewegungssensorik angewiesen sind, integriert HTD verteilte taktile Sensorik, um das Situationsbewusstsein bei komplexen Interaktionen zu verbessern.

Moegliche Anwendungen

Das Modell sagt zukünftige Aktionen sowie Handgelenkskräfte und taktile Repräsentationen voraus, was Robotern hilft, Aufgaben wie das Einführen, das Handhaben, das Schaufeln und das Tragen änden besser zu bewältigen, so TechXplore. Anstatt rohe taktile Sensordaten zu rekonstruieren, erzeugt der Rahmen kompakte taktile latente Repräsentationen über ein langsam aktualisiertes Target-Netzwerk.

Dieser Ansatz ermöglicht es dem KI-System, sich auf aussagekräftige Kontaktmuster zu konzentrieren und rauschbehaftete Sensorfluktuationen herauszufiltern, wodurch die Manipulationsstabilität und -reaktionsfähigkeit verbessert werden. Die Plattform trennt zudem die Gleichgewichtssteuerung des Unterkörpers örpers.

Ein auf Reinforcement Learning basierender Regler stabilisiert während der Bewegung die Torso-Orientierung, die Geschwindigkeit und das Gleichgewicht, während Inverse Kinematik und Hand-Retargeting die Positionierung des Oberkörpers sowie die geschickten Handbewegungen übernehmen.

Der Regler für den Unterkörper wurde

Der Regler für den Unterkörper wurde in einer Simulation mit einer Teacher-Student-Methode trainiert, was es dem Roboter ermöglicht, robuste Bewegungsplanung aus realistischen sensorischen Beobachtungen zu erlernen. „Während des Trainings werden retargetierte Armbewegungen aus dem AMASS-Datensatz abgespielt, sodass der Regler lernt, auch unter realistischen Störungen des Oberkörpers stabil zu bleiben. „Der finale Student-Controller ist das, was wir auf dem echten Roboter einsetzen", sagte Ding Zhao und Yaru Niu, Mitglieder des CMU Safe AI Lab, wie Das HTD-System verbessert die Manipulation humanoider Roboter, indem es Interferenzen zwischen der Balancesteuerung und der geschickten Objektmanipulation reduziert.

Tests zeigten, dass das System die Stabilität des Unterkörpers örpers und der Hände trennt, wodurch die Balance auch bei komplexen Aufgaben gewährleistet wird. Es steuert Haltung und Bewegung des Unterkörpers, während Inverse-Kinematik und Hand-Retargeting die Bewegungen des Oberkörpers regeln.

Zudem prognostiziert es Kräfte und taktilen Feedback innerhalb der Policy, wodurch separate taktile Vorabtrainings oder zusätzliche Weltmodelle vermieden werden. „Unsere experimentellen Ergebnisse waren stark." „Über fünf reale Aufgaben – nämlich Insert-T, Buchorganisation, Handtuchfalten, Katzenstreu-Ausräumen und Teezubereitung – erzielte HTD eine relative Verbesserung des durchschnittlichen Erfolgsgrades von 90,9 Prozent gegenüber dem stärkeren ACT-Referenzmodell", sagte Zhao, wie TechXplore berichtete.

Die Ablationsstudien zeigten, dass die bloße

Die Ablationsstudien zeigten, dass die bloße Hinzufügung ätzlicher Eingabe nicht ausreicht. Die Vorhersage latenten Raum erwies sich als effektiver als die direkte Vorhersage führte zu einer relativen Verbesserung des Erfolgsgrades um 30 Prozent im Vergleich zur Vorhersage auf Basis roher taktile Daten.

Das Team betont, dass ihre neue Plattform und der darauf basierende KI-gesteuerte Controller humanoiden Robotern eine verbesserte Leistung für den Einsatz in realen Szenarien im häuslichen, serviceorientierten und industriellen Umfeld ermöglichen könnten.

Zukünftige Arbeiten werden den Lernrahmen skalieren und ihn in Szenarien der Mensch-Roboter-Kollaboration testen, indem visuelle Daten und menschliche Demonstrationen integriert werden. Forscher betonen, dass das Ziel darin besteht, die Generalisierungsfähigkeit über verschiedene Roboterdesigns hinweg zu verbessern, einschließlich unterschiedlicher geschickter Hände und taktiler Sensorsysteme.

Langfristige Bemühungen konzentrieren sich auf die Entwicklung skalierbarer, embodiment-robuster Systeme, die sich an diverse Aufgaben anpassen und sowohl aus menschlicher als auch aus robotischer Erfahrung lernen.