Технології

Не розчавлять яйце в руках. Роботів навчили розпізнавати дотики завдяки моделі, натренованій на 5000 годинах даних

11 лис•NV

Китайська компанія Robbyant представила відкриту модель LingBot-Touch, яка допомагає роботам розпізнавати дотики за допомогою різних сенсорів. Під час випробувань вона підвищила успішність виконання завдань на 14−26 відсоткових пунктів.

Про це пише видання Interesting Engineering.

LingBot-Touch розробила компанія Robbyant, що входить до структури Ant Group. Модель навчали майже на 5000 годинах реальних даних про фізичний контакт з предметами. Вона підтримує три технології тактильного сприйняття — магнітну, візуальну та п'єзорезистивну, яка визначає дотик за зміною електричного опору.

Головна особливість розробки полягає в тому, що вона перетворює сигнали від різних сенсорів на єдиний формат. Завдяки цьому роботи можуть використовувати однакову інформацію про дотики навіть після заміни датчиків, роботизованих рук або систем керування.

Раніше така зміна обладнання створювала додаткові труднощі. Різні типи сенсорів передають несумісні сигнали, тому моделі, навчені працювати з одним пристроєм, не завжди могли правильно інтерпретувати дані з іншого. Розробникам доводилося збирати нові набори даних і повторно навчати системи.

LingBot-Touch має усунути цю проблему. Модель аналізує місце контакту, розподіл сили натискання та зміни цих показників із часом. Для навчання також можна об'єднувати дані з роботизованих рук і спеціальних рукавичок із тактильними сенсорами, які використовують люди.

Модель підвищила точність маніпуляцій із предметамиRobbyant перевірила розробку у 26 реальних тестах із використанням двох роботизованих рук — Sharpa Wave та XHand. У випробуваннях застосували чотири моделі керування — LingBot-VLA, π0.5, Diffusion Policy та TRex.

За даними компанії, використання LingBot-Touch підвищило середню успішність виконання завдань приблизно на 14−26 відсоткових пунктів порівняно з роботою без тактильного зворотного зв’язку.

В одному з експериментів робот Sharpa Wave під керуванням моделі TRex мав відкрутити кришку пляшки. Без тактильних даних він справлявся із завданням у 56,25% випадків. Якщо передавати системі необроблені сигнали сенсорів, показник зростав до 62,5%. Після обробки цих даних моделлю LingBot-Touch успішність досягла 90%.

Окремо дослідники перевірили, чи можна переносити отримані навички на інше обладнання.

Роботизована рука XHand використовує магнітні сенсори, яких не було в початковому наборі даних моделі. Для навчання роботи з ними використали інформацію, зібрану за допомогою тактильних рукавичок. При цьому параметри LingBot-Touch не змінювали — додатково навчали лише модель керування.

Розробники також представили дві версії LingBot-Touch, розраховані на різні обчислювальні можливості. У всіх 26 практичних випробуваннях використовували полегшений варіант Tiny, який містить близько 5,3 млн параметрів. Його інтеграція збільшує загальний розмір моделей керування лише на 0,13−0,16%.

За оцінкою Robbyant, більша версія моделі також має потенціал для подальшого підвищення ефективності завдяки розширенню навчального набору даних.

Читайте також:

Сигнал

Читайте ще