Революційне програмне забезпечення для керування роботами усуває проблеми з заклинюванням суглобів

Швейцарські дослідники розробили фреймворк Kinematic Intelligence, який дозволяє роботам плавно перемикатися між моделями, трансформуючи тренування та розгортання роботизованої руки.
Процес переходу на новий смартфон став надзвичайно простим у сучасній цифровій екосистемі. Користувачі просто входять у свої наявні облікові записи, і завдяки хмарній синхронізації всі додатки, персоналізовані налаштування та контактна інформація безперешкодно переносяться на новий пристрій, не вимагаючи повторної конфігурації вручну. Однак індустрія робототехніки вже давно стикається з абсолютно іншою реальністю, коли мова йде про оновлення обладнання. Коли промисловим підприємствам або дослідницьким установам потрібно було замінити застарілу роботовану руку на новішу модель, техніки зіткнулися з жахливою перспективою розпочати весь процес програмування та налаштування з самого початку.
Цю неефективність керування робототехнічною системою тепер було вирішено завдяки новаторському дослідженню, проведеному вченими престижної швейцарської установи Федеральної політехнічної школи Лозанни (EPFL). Дослідницька група оприлюднила інноваційне рішення під назвою Kinematic Intelligence, складну структуру, розроблену для того, щоб фундаментально змінити спосіб переходу роботів між різними апаратними платформами. Імітуючи можливість безперебійного перемикання, яка є в споживчій електроніці, їхня система обіцяє значно скоротити час простою та експлуатаційні витрати, пов’язані зі зміною роботизованого обладнання. Їхні вичерпні висновки були опубліковані в нещодавній та вельми поважній статті Science Robotics, привертаючи значну увагу до цього технологічного прогресу.
Наслідки цієї розробки виходять далеко за межі простої зручності, представляючи зміну парадигми в тому, як програмування роботів і стратегії розгортання функціонують у багатьох галузях. Виробничі потужності, дослідницькі лабораторії та інші організації, які покладаються на складні роботизовані системи, отримають величезну користь від можливості передавати навчені навички та робочі протоколи між різними моделями роботів без значного перепрограмування.
Роками спільнота робототехніки переслідувала амбітну мету: дозволити роботам вивчати нові можливості безпосередньо на демонстрації людей, а не вимагати значного ручного кодування. Ця методологія навчання, відома як навчання з демонстрації, представляє більш інтуїтивний підхід до навчання роботів. Замість того, щоб програмувати кожен рух і рішення за допомогою традиційних мов кодування, інженери можуть дистанційно керувати роботом або фізично керувати його рукою бажаними рухами, навчаючи його таким завданням, як ретельно протирати поверхні, точно складати об’єкти або виконувати складні операції зварювання автомобільних компонентів.
Цей практичний підхід до навчання пропонує значні переваги перед звичайними методами програмування, особливо для складних задач із нюансами, які важко описати алгоритмічно. Людина-тренер може продемонструвати тонкі рухи рук і прикладення сили, необхідні для делікатної роботи зі складання, а робот може навчитися відтворювати ці рухи шляхом спостереження та практики. Елегантність цього підходу полягає в його доступності: фабричні працівники та техніки без глибокого досвіду програмування можуть навчити роботів виконувати нові завдання, демократизуючи розвиток роботизованих можливостей в організаціях будь-якого розміру.
Однак, незважаючи на теоретичні перспективи та практичні переваги навчання на демонстраціях, ця технологія переслідує постійні та неприємні обмеження. Навички, які роботи набувають під час демонстрації, історично залишалися прив’язаними до конкретної апаратної платформи, яка використовувалася під час навчання. Якщо установу оновити до нової моделі роботизованої руки з іншими розмірами, діапазоном з’єднань або механічними властивостями, усі навички, яким навчали раніше, стають, по суті, марними.
Ця залежність від апаратного забезпечення призвела до значної економічної та операційної неефективності всієї індустрії робототехніки. Компанії, які інвестували в протоколи навчання та розвиток навичок для своїх роботів, зіткнулися з тверезою реальністю, що ці інвестиції застаріють, коли обладнання буде оновлено. Крім того, проблема заклинювання суглобів під час виконання завдання представляла ще одну проблему, яка суттєво відрізнялася між різними моделями роботів, вимагаючи окремих рішень для кожної платформи.
Дослідники EPFL визнали ці фундаментальні обмеження та розробили Kinematic Intelligence як комплексне рішення, яке стосується багатьох вимірів проблеми. Фреймворк функціонує, створюючи рівень абстракції між набутими навичками та конкретними апаратними характеристиками будь-якого робота. Замість того, щоб кодувати навички безпосередньо для конкретної фізичної конфігурації робота, Kinematic Intelligence переводить навчені поведінки в більш універсальний формат, який можна адаптувати для роботи з різними платформами роботів.
Ця інновація докорінно змінює економіку та практичність керування робототехнічною системою. Замість того, щоб розглядати кожне робототехнічне оновлення як по суті повний перезапуск, що вимагає всебічного повторного навчання, нова структура дозволяє організаціям переносити раніше набуті можливості на нове обладнання з мінімальними налаштуваннями. Цей підхід зберігає значні інвестиції, зроблені в розвиток навичок і навчання, роблячи оновлення роботизованих систем набагато більш практичними та економічно ефективними для промислових і дослідницьких застосувань.
Технічна складність, що лежить в основі Kinematic Intelligence, поширюється на вирішення конкретного завдання запобігання заклинювання з’єднань, критичної проблеми, яка впливає на продуктивність і надійність робота. Різні роботизовані моделі мають різні механічні обмеження, робочі діапазони та вразливість до перешкод у різних точках робочої зони. Завдяки розробці алгоритмів, які розуміють і адаптуються до цих механічних відмінностей, інфраструктура забезпечує більш плавну роботу на різних апаратних платформах, одночасно активно запобігаючи різновидам спільних конфліктів, які можуть пошкодити обладнання або перервати виробництво.
Це дослідження є важливою віхою в тому, щоб зробити роботизовані системи більш практичними та економічно життєздатними для широкого промислового застосування. Оскільки виробництво та інші галузі промисловості все більше визнають підвищення продуктивності та конкурентні переваги роботизованої автоматизації, рішення, які зменшують тертя, пов’язані з оновленням системи, стають все більш цінними. Тепер організації можуть впевненіше інвестувати в роботизовані навчальні програми, знаючи, що їхні інвестиції зберігатимуть цінність, навіть якщо апаратні платформи розвиватимуться.
Заглядаючи вперед, структура Kinematic Intelligence відкриває шляхи для додаткових інновацій у сфері керування та сумісності роботизованих систем. Успішна абстракція робототехнічних навичок від конкретних апаратних платформ може сприяти обміну знаннями між різними організаціями та дослідницькими установами. Сховища робототехнічних навичок можна розробити та поширювати між галузями, що дозволить компаніям отримувати вигоду від навчальної роботи, проведеної в інших місцях, а не дублювати ці зусилля всередині.
Робота команди EPFL є прикладом того, як вирішення, здавалося б, специфічних технічних проблем може мати ширший вплив на промислове впровадження та економічну ефективність. Змушуючи роботизовані системи поводитися більше як споживча електроніка, де оновлення до нового апаратного забезпечення не скасовує раніше накопичену функціональність, вони усунули одну з практичних перешкод на шляху більш широкого розповсюдження роботизованої автоматизації. У міру того, як ця технологія розвивається та поширюється в галузі, великі й малі організації повинні знаходити дедалі практичнішим розгортання роботизованих рішень, впевнені, що їхні інвестиції в робототехнічне навчання та розвиток навичок принесуть довгострокову цінність незалежно від майбутніх змін апаратного забезпечення.
Цей прорив у програмному забезпеченні керування роботами та переносимості системи є важливим кроком вперед у тому, щоб зробити промислову робототехніку доступнішою, економнішою та практичною для ширшого кола застосувань і організацій. Наслідки цього дослідження виходять далеко за межі лабораторії, обіцяючи змінити підхід компаній до інвестицій у робототехніку та управління життєвим циклом обладнання в найближчі роки.
Джерело: Ars Technica


