Un progresso del MIT permette ai robot di utilizzare l'intero corpo per la manipolazione degli oggetti
- La nuova tecnica di intelligenza artificiale del MIT consente ai robot di utilizzare l'intero corpo per compiti complessi, imitando le capacità di manipolazione simili a quelle umane.
- Il metodo di "lisciatura" dell'IA semplifica miliardi di potenziali punti di contatto, riducendo drasticamente i tempi di calcolo e aumentando l'efficienza.
- Questo progresso potrebbe rivoluzionare settori industriali e l'esplorazione spaziale, consentendo sistemi robotici più versatili ed efficienti dal punto di vista energetico.
I ricercatori del Massachusetts Institute of Technology (MIT) hanno migliorato significativamente le capacità di manipolazione robotica. Utilizzando una nuova tecnica di IA chiamata "smoothing" (levigatura), i robot possono ora eseguire compiti utilizzando l'intero corpo, anziché limitarsi alle punte delle dita. Questa innovazione potrebbe rivoluzionare l'uso dei robot nelle fabbriche, nell'esplorazione spaziale e in altri campi.
La sfida della pianificazione della manipolazione ricca di contatti
Manipolare oggetti con l'intero corpo presenta una sfida monumentale per i robot. Devono tenere conto di miliardi di potenziali punti di contatto su un oggetto per ogni tocco con le dita, le mani, le braccia e il torso. Questo processo, noto come "pianificazione della manipolazione ricca di contatti", è computazionalmente oneroso e ha rappresentato un collo di bottiglia per le applicazioni pratiche. Gli esseri umani gestiscono questi compiti in modo intuitivo, ma diventano eccessivamente complessi per i robot.
La soluzione
Per semplificare il problema, i ricercatori del MIT hanno sviluppato una nuova tecnica di IA basata sullo "smoothing", che condensa i numerosi eventi di contatto in un insieme più piccolo e gestibile di decisioni. Questa innovazione consente anche ad algoritmi di base di elaborare in modo efficiente un piano di manipolazione efficace per un robot.
«Lo smoothing media via molte di quelle decisioni intermedie non importanti, lasciando poche decisioni cruciali», ha dichiarato H.J. Terry Suh, studente laureato del MIT e co-autore principale dell'articolo pubblicato su IEEE Transactions on Robotics.
Apprendimento per rinforzo vs. smoothing
Sebbene l'apprendimento per rinforzo (reinforcement learning) si sia rivelato efficace nell'aiutare i robot a eseguire compiti complessi, richiede una potenza di calcolo e un tempo enormi. Secondo Suh, l'apprendimento avviene attraverso un sistema "black-box" (scatola nera) di tentativi ed errori, che spesso richiede "milioni di anni in tempo di simulazione" per diventare efficace.
Lo smoothing, tuttavia, offre un'alternativa. Comprendendo attentamente il modello e il problema, i ricercatori sono riusciti a introdurre efficienza nel processo. Lo smoothing consente al robot di concentrarsi sulle interazioni fondamentali con gli oggetti, consentendo una pianificazione delle attività più rapida ed efficace.
Raggiungere l'efficienza e un approccio combinato
Nonostante i progressi ottenuti tramite lo smoothing, la ricerca attraverso anche il numero ridotto di decisioni rimaneva una sfida. I ricercatori hanno quindi combinato il modello di smoothing con un algoritmo di ricerca, riducendo il tempo di calcolo a circa un minuto su un laptop standard.
Il team ha testato il loro approccio sia nelle simulazioni che su bracci robotici reali, ottenendo prestazioni paragonabili all'apprendimento per rinforzo ma in una frazione del tempo.
Applicazioni e prospettive
Le implicazioni di questa ricerca sono immense. Negli ambienti industriali, le fabbriche potrebbero sostituire i grandi bracci robotici con robot più piccoli e mobili che utilizzano l'intero corpo per le attività di manipolazione, riducendo così il consumo di energia e i costi.
Inoltre, la tecnica potrebbe rivelarsi preziosa per i robot di esplorazione inviati su Marte o altri corpi celesti, dove un'adattamento rapido a nuovi ambienti è cruciale.
Tuttavia, i ricercatori riconoscono limitazioni nella gestione di compiti dinamici, come la capacità di un robot di lanciare un oggetto in un contenitore. Il team prevede di affinare ulteriormente il proprio approccio per affrontare tali sfide.
Suh ha sottolineato che, invece di considerare questo come un sistema a "scatola nera", se possiamo sfruttare la struttura di questi tipi di sistemi robotici utilizzando modelli, c'è l'opportunità di accelerare l'intera procedura.
Amazon, il MIT Lincoln Laboratory, la National Science Foundation e il Gruppo Ocado hanno finanziato parzialmente il lavoro. Man mano che le tecniche di manipolazione robotica del MIT continuano a evolversi, si aprono nuove possibilità per la robotica in vari settori, dimostrando che una profonda comprensione del problema può portare a soluzioni innovative.
Con progressi come questi, i robot in grado di manipolare gli oggetti in modo intuitivo come gli esseri umani potrebbero non essere lontani dalla realtà.
Non limitarti a leggere le notizie sulle criptovalute. Comprendile. Iscriviti alla nostra newsletter. È gratuita.
Disclaimer. Le informazioni fornite non costituiscono consulenza finanziaria. Cryptopolitan.com declina ogni responsabilità per eventuali investimenti effettuati sulla base delle informazioni presenti su questa pagina. Si raccomanda vivamente di effettuare ricerche autonome e/o consultare un professionista qualificato prima di prendere qualsiasi decisione di investimento.
Glory Kaburu
Glory è una giornalista estremamente competente, esperta di strumenti AI e ricerca. È appassionata di intelligenza artificiale e ha scritto diversi articoli sull'argomento. Si tiene aggiornata sugli ultimi sviluppi nell'intelligenza artificiale, nel machine learning e nel deep learning, scrivendone regolarmente.
