MIT-specialisten gebruiken kunstmatige intelligentie om robots te leren dingen beter in te pakken in een kleine ruimte
Onderzoekers van het Massachusetts Institute of Technology (MIT) hebben een geavanceerde methodologie gepresenteerd op basis van generatieve kunstmatige intelligentiemodellen die de prestaties van robotsystemen bij het manipuleren van objecten in kleine ruimtes aanzienlijk verbetert.
MIT-onderzoekers gebruiken generatieve AI-modellen om robots te helpen bij het efficiënt oplossen van complexe objectmanipulatietaken, waaronder het verpakken van verschillende objecten. Het verpakken van objecten is een uitdagende taak voor robots omdat hierbij aan veel beperkingen moet worden voldaan, zoals het vermijden van botsingen en het creëren van stabiele structuren.
Traditionele methoden om dit probleem op te lossen werken sequentieel en kunnen zeer tijdrovend zijn.
MIT-onderzoekers hebben een generatief diffusiemodel gebruikt om dit probleem efficiënter op te lossen, waarbij modellen worden getraind die verschillende soorten beperkingen vertegenwoordigen. Hun aanpak stelt hen in staat om sneller effectieve oplossingen te maken voor een groter aantal objecten, waarbij ze tegelijkertijd rekening houden met alle beperkingen. Deze methode kan worden gebruikt om robots te trainen in het begrijpen en naleven van algemene verpakkingsbeperkingen voor objecten, wat belangrijk is in verschillende scenario's, van het werken in een magazijn om bestellingen te vervullen tot het organiseren van een boekenplank thuis.
Wat werd gedemonstreerd in de video
Meerfasige robotbesturing gaat gepaard met veel beperkingen. De Diffusie-CCSP methode (te zien in de video hieronder) vindt efficiënt een oplossing door deze te verbeteren via functieoptimalisatie. In plaats van te gissen, worden diffusiemodellen gebruikt om de beperkingen te optimaliseren. Deze methode is getraind in simulaties en kan problemen aan met meer objecten en beperkingen dan voorheen.
De onderzoekers zijn van plan om de mogelijkheid te onderzoeken om deze methode toe te passen in complexere situaties en voor robots die door een ruimte kunnen bewegen zonder te hertrainen op nieuwe gegevens. Deze aanpak opent de mogelijkheid om efficiëntere en betrouwbaardere autonome systemen te ontwikkelen in verschillende toepassingen.
Waarom het belangrijk is.
De nieuwe methoden die bij MIT zijn ontwikkeld, maken robots beter in complexe taken, zoals inpakken. Met behulp van kunstmatige intelligentie leren ze problemen te vermijden en ruimte efficiënt te gebruiken. Dit is erg belangrijk omdat robots nu niet alleen in magazijnen kunnen helpen, maar ook thuis. Ze zullen ook complexere taken kunnen uitvoeren waarbij alles om hen heen voortdurend verandert.
Bron: mit.edu
