Toyota Research Institute (TRI) melakukan terobosan pengembangan robot dalam hal membantu pekerjaan manusia di rumah. Toyota meyakini teknologi yang disuguhkan ini membuat kualitas hidup lebih berarti.
Toyota Research Institute (TRI) berfokus pada menciptakan dan membuktikan terobosan teknologi yang diperlukan untuk membuat robot rumah yang layak membantu. Pada tahun 2015, Gill Pratt, CEO TRI, menyatakan bahwa kunci dari ledakan robotika Kambria adalah kombinasi robotik cloud dan pembelajaran mendalam. Ini disebut pembelajaran armada: jika kita mengaktifkan satu robot untuk belajar melakukan tugas, baik dari seseorang atau dalam simulasi, dan kemudian membagikan pengetahuan ini dengan semua robot lain, sehingga mereka dapat melakukan tugas dalam situasi baru, kita dapat mencapai peningkatan kemampuan robot secara eksponensial.
Awal tahun ini, Russ Tedrake, Vice President Robotic Research TRI, mengumumkan mengapa simulasi merupakan salah satu aspek kunci untuk mencapai pembelajaran armada dan memastikan kami dapat menjaga keandalan yang dibutuhkan saat robot belajar.
Lainnya lagi adalah kemampuan seseorang untuk mengajarkan robot bagaimana melakukan tugas, meningkatkan kecerdasan dan wawasan manusia untuk memandu kemampuan fisik robot. Untuk membantu memotivasi aspek pembelajaran armada ini, kami mengajukan tantangan penelitian untuk mengajarkan robot tujuan umum untuk melakukan tugas-tugas tingkat manusia yang berguna di rumah-rumah sungguhan.
Mengoperasikan dan menavigasi di lingkungan rumah sangat menantang bagi robot. Setiap rumah punya keunikan, dengan kombinasi objek yang berbeda dalam konfigurasi berbeda yang berubah seiring waktu. Untuk mengatasi keragaman yang dihadapi robot di lingkungan rumah, TRI mengajarkan robot untuk melakukan tugas dengan berbagai objek, daripada memprogram robot untuk melakukan tugas tertentu yang telah ditentukan sebelumnya dengan objek tertentu. Dengan cara ini, robot belajar menghubungkan apa yang dilihatnya dengan tindakan yang diajarkan. Ketika robot melihat objek atau skenario tertentu lagi, bahkan jika adegan telah berubah sedikit, ia tahu tindakan apa yang dapat dilakukan sehubungan dengan apa yang dilihatnya.
Kami mengajarkan robot menggunakan sistem telepresence mendalam, di mana ada model robot, mencerminkan apa yang dilakukan robot. Pengejar melihat apa yang dilihat robot secara langsung, dalam 3D, dari sensor robot. Pengajar dapat memilih perilaku yang berbeda untuk diinstruksikan dan kemudian membubuhi keterangan adegan 3D, seperti mengaitkan bagian adegan dengan perilaku, menentukan cara memahami pegangan, atau menggambar garis yang menentukan sumbu rotasi pintu lemari. Saat mengajar suatu tugas, seseorang dapat mencoba pendekatan yang berbeda, memanfaatkan kreativitas mereka untuk menggunakan tangan dan alat robot untuk melakukan tugas tersebut. Ini membuat meningkatkan dan menggunakan alat yang berbeda menjadi mudah, memungkinkan manusia untuk dengan cepat mentransfer pengetahuan mereka ke robot untuk situasi tertentu.
Secara historis, robot, seperti kebanyakan mobil otomatis, terus-menerus memahami lingkungannya, memprediksi jalur yang aman, lalu menghitung rencana gerakan berdasarkan pemahaman ini. Di ujung lain spektrum, metode pembelajaran mendalam baru menghitung aksi motorik tingkat rendah langsung dari input visual, yang membutuhkan sejumlah besar data dari robot yang melakukan tugas tersebut.
Sistem pengajaran hanya perlu memahami hal-hal di sekitarnya yang relevan dengan perilaku yang dilakukan. Alih-alih menghubungkan tindakan motorik tingkat rendah dengan apa yang dilihatnya, ia menggunakan perilaku tingkat yang lebih tinggi. Akibatnya, sistem tidak memerlukan model atau peta objek sebelumnya. Ini dapat diajarkan untuk mengasosiasikan seperangkat perilaku tertentu ke adegan, objek, dan perintah suara yang sewenang-wenang dari satu demonstrasi perilaku. Ini juga membuat sistem mudah dipahami dan membuat kondisi kegagalan mudah didiagnosis dan diperbanyak.
Robot dirancang khusus untuk membuat pengajaran dan melakukan tugas-tugas dengan mudah. Seperti manusia, memiliki banyak sudut gerak yang berlebih, memastikan robot dapat menggerakkan tangannya seperti yang diinginkannya, kapan pun ia mau, dengan menyesuaikan postur seluruh tubuhnya untuk mengakomodasi gerakan. Robot juga memiliki seperangkat kamera visual dan kedalaman dengan bidang pandang yang sangat luas. Ini memberikan sejumlah besar konteks untuk orang yang mengajar robot, dan robot itu sendiri.
Pengajaran dan pengujian di lakukan di rumah yang sebenarnya. Ini penting untuk mencapai kemampuan dan keandalan yang memadai. Robot kami adalah prototipe penelitian, dan kami memilih tugas untuk robot yang memotivasi dan memajukan pengembangan algoritma, daripada menunjukkan konsep produk.
Adanya pengetahuan yang diperoleh dari percobaan ini, TRI terus-menerus beralih dan menyesuaikan cara kami mendekati masalah, baik dalam perangkat keras maupun perangkat lunak. Saat ini, sistem dapat berhasil melakukan tugas tingkat manusia yang relatif kompleks sekitar 85%. Ini termasuk membiarkan robot secara otomatis mencoba lagi jika mengakui bahwa ia telah gagal pada perilaku tertentu. Setiap tugas terdiri dari sekitar 45 perilaku independen, yang berarti bahwa setiap perilaku individu menghasilkan kesuksesan, atau kegagalan yang dapat dipulihkan 99,6%.
Pendekatan kami dapat dengan mudah melampaui rumah dan diterapkan ke lingkungan lain. Misalnya, seseorang dapat dengan cepat dan jarak jauh mengajar lengan industri di pabrik untuk melakukan tugas-tugas manufaktur berulang, atau dengan cepat menyesuaikan tugas pick-move-pack untuk robot logistik.
Keterbatasan utama dari pendekatan adalah bahwa tugas yang diajarkan saat ini tidak dapat digeneralisasi ke robot lain atau situasi yang berbeda. Namun, TRI percaya mengajarkan tugas robot adalah langkah pertama yang menjanjikan untuk mencapai visi Armada Belajar yang lebih luas, khususnya untuk membantu dan memberdayakan orang-orang di rumah mereka. Dan berharap berbagi kemajuan yang telah dilakukan bermanfaat bagi orang lain di seluruh komunitas robotika.
KOMENTAR (0)