La combinaison de réseaux de neurones avec un logiciel de planification de mouvement donne aux robots la vitesse et les compétences nécessaires pour aider dans les environnements d’entrepôt –

Des chercheurs de l’Université de Californie à Berkeley ont créé un nouveau logiciel d’intelligence artificielle qui donne aux robots la vitesse et les compétences nécessaires pour saisir et déplacer en douceur des objets, ce qui leur permet d’aider bientôt les humains dans les environnements d’entrepôt. La technologie est décrite dans un article publié en ligne aujourd’hui (mercredi 18 novembre) dans la revue Robotique scientifique.

L’automatisation des tâches d’entrepôt peut être difficile car de nombreuses actions qui viennent naturellement aux humains – comme décider où et comment ramasser différents types d’objets, puis coordonner les mouvements des épaules, des bras et des poignets nécessaires pour déplacer chaque objet d’un endroit à un autre – sont en fait assez difficiles pour les robots. Le mouvement robotique a également tendance à être saccadé, ce qui peut augmenter le risque d’endommager à la fois les produits et les robots.

«Les entrepôts sont toujours exploités principalement par des humains, car il est encore très difficile pour les robots de saisir de manière fiable de nombreux objets différents», a déclaré Ken Goldberg, titulaire de la chaire William S. Floyd Jr. en ingénierie à l’UC Berkeley et auteur principal de l’étude. “Dans une chaîne de montage automobile, le même mouvement est répété encore et encore, de sorte qu’il peut être automatisé. Mais dans un entrepôt, chaque commande est différente.”

Dans des travaux antérieurs, Jeffrey Ichnowski, chercheur postdoctoral à Goldberg et à l’UC Berkeley, a créé un planificateur de mouvement optimisé pour la saisie qui pourrait calculer à la fois comment un robot doit saisir un objet et comment il doit se déplacer pour transférer l’objet d’un emplacement à un autre.

Cependant, les mouvements générés par ce planificateur étaient saccadés. Alors que les paramètres du logiciel pouvaient être modifiés pour générer des mouvements plus fluides, ces calculs prenaient en moyenne environ une demi-minute à calculer.

Dans la nouvelle étude, Goldberg et Ichnowski, en collaboration avec l’étudiant diplômé de l’UC Berkeley Yahav Avigal et l’étudiant de premier cycle Vishal Satish, ont considérablement accéléré le temps de calcul du planificateur de mouvement en intégrant un réseau neuronal d’apprentissage en profondeur.

Les réseaux de neurones permettent à un robot d’apprendre à partir d’exemples. Plus tard, le robot peut souvent généraliser à des objets et des mouvements similaires.

Cependant, ces approximations ne sont pas toujours suffisamment précises. Goldberg et Ichnowski ont découvert que l’approximation générée par le réseau neuronal pouvait alors être optimisée à l’aide du planificateur de mouvement.

“Le réseau neuronal ne prend que quelques millisecondes pour calculer un mouvement approximatif. C’est très rapide, mais c’est inexact”, a déclaré Ichnowski. “Cependant, si nous introduisons ensuite cette approximation dans le planificateur de mouvement, le planificateur de mouvement n’a besoin que de quelques itérations pour calculer le mouvement final.”

En combinant le réseau de neurones avec le planificateur de mouvement, l’équipe a réduit le temps de calcul moyen de 29 secondes à 80 millisecondes, soit moins d’un dixième de seconde.

Goldberg prédit que, avec cette avancée et d’autres avancées dans la technologie robotique, les robots pourraient aider dans les environnements d’entrepôt au cours des prochaines années.

“Les achats d’épicerie, de produits pharmaceutiques, de vêtements et bien d’autres choses ont changé à la suite du COVID-19, et les gens continueront probablement de faire leurs achats de cette façon même après la fin de la pandémie”, a déclaré Goldberg. “C’est une nouvelle opportunité passionnante pour les robots de soutenir les travailleurs humains.”

Source de l’histoire:

Matériaux fourni par Université de Californie, Berkeley. Original écrit par Kara Manke. Remarque: le contenu peut être modifié pour le style et la longueur.