Николай Чикишев 13 сентября 2024, 14:45

В Google DeepMind научили роботов завязывать шнурки и даже чинить других роботов

Разработчики DeppMind показали метод, который позволяет научить робота выполнять действия, требующие мелкой моторики.

Роботы могут обучаться, наблюдая за людьми, с помощью обучающей платформы ALOHA Unleashed и программы моделирования Demostart. Таким образом роботы научились завязывать шнурки, подвешивать рубашки и даже чинить других роботов.

There’s still a long way to go for robotics to achieve human-level dexterity but the future is exciting.

Our research could pave the way in creating more helpful, dexterous robots that could one day assist in the home, office and beyond.

Find out more → https://t.co/SV3TsXIhhh
— Google DeepMind (@GoogleDeepMind) September 12, 2024

ALOHA Unleashed помогает им учиться выполнять сложные и новые задачи по манипуляции двумя руками. DemoStart использует моделирование для улучшения реальных характеристик роботизированной руки с несколькими пальцами.

We tested it on the DEX-EE hand, developed with @shadowrobot.

In simulation, the robot had to reorient a 3D cube to show a certain color. It then performed this task in the real world 97% of the time.

It was also able to reliably insert a plug into a socket in both set-ups. pic.twitter.com/RkWGN2OGiz
— Google DeepMind (@GoogleDeepMind) September 12, 2024

До сих пор роботы с искусственным интеллектом могли только поднимать и размещать предметы и делать это с помощью только одной руки. Новый способ предполагает обучение двуручным управлением: метод диффузии предсказывает действия робота по случайному шуму, аналогично моделям генерации изображений.

Introducing 2️⃣ new AI systems for robotics:

🤖 ALOHA Unleashed to perform two-armed manipulation tasks
🦾 DemoStart to control a multi-fingered robotic hand

They learned to tackle a range of actions requiring dexterity. Here’s how. 🧵 https://t.co/SV3TsXIhhh pic.twitter.com/JnbZEMwB1j
— Google DeepMind (@GoogleDeepMind) September 12, 2024

Обучение проходит довольно быстро: роботам требуется в сто раз меньше смоделированных демонстраций, чем в других методиках, чтобы научиться решать задачу в симуляции. Робот достиг показателя успеха более 98% в ряде различных задач, в том числе при переориентации кубиков с определенным цветом, затягивании гайки и болта, а также уборки инструментов.

Робот достиг показателя успешности более 98% в ряде различных задач, включая переориентацию кубиков с определённым цветом, затягивание гайки и болта, а также уборку инструментов. В реальной ситуации он достиг показателя успешности 97% при переориентации и подъеме кубика и 64% при задаче вставки вилки в гнездо, которая требовала высокой координации пальцев и точности.