Революционное программное обеспечение для управления роботами устраняет проблемы с защемлением суставов

Швейцарские исследователи разрабатывают систему Kinematic Intelligence, позволяющую роботам плавно переключаться между моделями, преобразуя обучение и развертывание роботизированных рук.
В современной цифровой экосистеме процесс перехода на новый смартфон стал удивительно простым. Пользователи просто входят в свои существующие учетные записи, и благодаря облачной синхронизации все приложения, персонализированные настройки и контактная информация легко переносятся на новое устройство, не требуя повторной настройки вручную. Однако индустрия робототехники уже давно столкнулась с совершенно иной реальностью, когда дело доходит до модернизации оборудования. Когда промышленным предприятиям или исследовательским институтам требовалось заменить устаревшую роботизированную руку на более новую модель, технические специалисты столкнулись с пугающей перспективой начать весь процесс программирования и настройки с самого начала.
Эта неэффективность управления роботизированными системами теперь решена благодаря новаторским исследованиям, проведенным учеными престижного швейцарского учреждения, Федеральной политехнической школы Лозанны (EPFL). Исследовательская группа представила инновационное решение под названием Kinematic Intelligence — сложную структуру, предназначенную для фундаментального изменения того, как роботы переключаются между различными аппаратными платформами. Имитируя возможность плавного переключения, присутствующую в бытовой электронике, их система обещает значительно сократить время простоев и эксплуатационные расходы, связанные с заменой роботизированного оборудования. Их подробные результаты были опубликованы в недавней и очень уважаемой статье Science Robotics, в которой значительное внимание уделяется этому технологическому прогрессу.
Последствия этой разработки выходят далеко за рамки простого удобства и представляют собой сдвиг парадигмы в том, как программирование роботов и стратегии развертывания функционируют во многих отраслях. Производственные предприятия, исследовательские лаборатории и другие организации, которые полагаются на сложные роботизированные системы, получают огромную выгоду от возможности передавать полученные навыки и рабочие протоколы между различными моделями роботов без обширного перепрограммирования.
В течение многих лет сообщество робототехники преследовало амбициозную цель: дать роботам возможность изучать новые возможности непосредственно на примере демонстрации человеком, вместо необходимости тщательного ручного программирования. Эта методология обучения, известная как обучение на демонстрации, представляет собой более интуитивный подход к обучению роботов. Вместо программирования каждого движения и решения с помощью традиционных языков программирования инженеры могут либо удаленно управлять роботом, либо физически направлять его руку в нужные движения, обучая его таким задачам, как тщательное протирание поверхностей, точная укладка предметов или выполнение сложных сварочных операций на автомобильных компонентах.
Этот практический подход к обучению предлагает значительные преимущества по сравнению с традиционными методами программирования, особенно для сложных, тонких задач, которые трудно описать алгоритмически. Человек-тренер может продемонстрировать тонкие движения рук и приложения силы, необходимые для тонкой работы по сборке, а робот может научиться воспроизводить эти движения путем наблюдения и практики. Элегантность этого подхода заключается в его доступности: заводские рабочие и технические специалисты без глубоких знаний в области программирования могут обучать роботов выполнению новых задач, демократизируя развитие роботизированных возможностей в организациях любого размера.
Однако, несмотря на теоретические перспективы и практические преимущества обучения на демонстрациях, эту технологию преследуют постоянные и разочаровывающие ограничения. Навыки, которые роботы приобретают посредством демонстрации, исторически оставались привязанными к конкретной аппаратной платформе, используемой во время обучения. Если предприятие перешло на новую модель роботизированной руки с другими размерами, диапазоном соединений или механическими свойствами, все ранее приобретенные навыки становились практически бесполезными.
Эта зависимость от аппаратного обеспечения привела к значительной экономической и операционной неэффективности во всей индустрии робототехники. Компании, инвестирующие в протоколы обучения и развитие навыков своих роботов, столкнулись с отрезвляющей реальностью: эти инвестиции устареют, как только оборудование будет обновлено. Кроме того, проблема заклинивания суставов во время выполнения задачи представляла собой еще одну проблему, которая значительно различалась в зависимости от модели робота и требовала отдельных решений для каждой платформы.
Исследователи EPFL осознали эти фундаментальные ограничения и разработали Kinematic Intelligence как комплексное решение, охватывающее множество аспектов проблемы. Структура функционирует путем создания уровня абстракции между приобретенными навыками и конкретными характеристиками оборудования любого конкретного робота. Вместо того, чтобы напрямую кодировать навыки в конкретную физическую конфигурацию робота, Kinematic Intelligence переводит изученное поведение в более универсальный формат, который можно адаптировать для работы с различными роботизированными платформами.
Это нововведение коренным образом меняет экономику и практичность управления роботизированными системами. Вместо того, чтобы рассматривать каждое обновление роботов как полный перезапуск, требующий всестороннего переобучения, новая структура позволяет организациям переносить ранее изученные возможности на новое оборудование с минимальной корректировкой. Такой подход позволяет сохранить значительные инвестиции в развитие навыков и обучение, что делает модернизацию роботизированных систем гораздо более практичной и экономически эффективной для промышленных и исследовательских приложений.
Техническая сложность, лежащая в основе Kinematic Intelligence, распространяется на решение конкретной задачи по предотвращению заклинивания суставов, критической проблемы, влияющей на производительность и надежность робота. Различные модели роботов имеют разные механические ограничения, рабочий диапазон и уязвимость к заклиниванию в разных точках рабочего диапазона. Разрабатывая алгоритмы, которые понимают эти механические различия и адаптируются к ним, платформа обеспечивает более плавную работу на разных аппаратных платформах, активно предотвращая при этом совместные конфликты, которые могут повредить оборудование или остановить производство.
Это исследование представляет собой важную веху на пути к тому, чтобы сделать роботизированные системы более практичными и экономически жизнеспособными для широкого промышленного внедрения. Поскольку производство и другие отрасли все больше осознают повышение производительности и конкурентные преимущества, предлагаемые роботизированной автоматизацией, решения, которые уменьшают трудности, связанные с модернизацией систем, становятся все более ценными. Теперь организации могут более уверенно инвестировать в программы обучения роботов, зная, что их инвестиции сохранят свою ценность даже по мере развития аппаратных платформ.
Заглядывая в будущее, платформа Kinematic Intelligence открывает пути для дополнительных инноваций в управлении роботизированными системами и их совместимости. Успешная абстракция навыков робототехники от конкретных аппаратных платформ может облегчить обмен знаниями между различными организациями и исследовательскими институтами. Хранилища навыков робототехники можно будет разрабатывать и распространять между отраслями, что позволит компаниям получать выгоду от обучения, проводимого в других местах, а не дублировать эти усилия внутри компании.
Работа команды EPFL демонстрирует, как решение, казалось бы, конкретных технических проблем может оказать более широкое влияние на промышленное внедрение и экономическую эффективность. Сделав роботизированные системы более похожими на бытовую электронику (где обновление до нового оборудования не устраняет ранее накопленную функциональность), они устранили одно из практических препятствий на пути более широкого распространения роботизированной автоматизации. По мере того, как эта технология развивается и распространяется по всей отрасли, организации, большие и малые, должны найти все более практичным развертывание роботизированных решений, будучи уверенными, что их инвестиции в обучение роботов и развитие навыков принесут долгосрочную выгоду независимо от будущих изменений в оборудовании.
Этот прорыв в области программного обеспечения для управления роботами и портативности системы представляет собой важный шаг вперед в том, чтобы сделать промышленную робототехнику более доступной, экономичной и практичной для более широкого круга приложений и организаций. Значение этого исследования выходит далеко за рамки лабораторных исследований и обещает изменить подход компаний к инвестициям в робототехнику и управлению жизненным циклом оборудования в ближайшие годы.
Источник: Ars Technica


