Um método para permitir dobradura robótica de papel com base em aprendizado profundo e simulações de física

Para lidar com diferentes tarefas do mundo real, os robôs devem ser capazes de manusear e manipular uma variedade de objetos e materiais, incluindo papel. Embora os roboticistas tenham melhorado com sucesso a capacidade de robôs humanoides ou garras robóticas de lidar com vários materiais, a dobragem de papel continua sendo um tópico raramente explorado na comunidade de robótica.

Uma equipe de pesquisa da Universidade da Califórnia, Los Angeles (UCLA) criou recentemente uma nova estrutura computacional que permite que um robô lide com a dobragem de papel e a arte oriental do origami. Este quadro, apresentado num artigo pré-publicado em arXivcombina um algoritmo de aprendizado profundo com simulações de física.

“Embora tenha havido uma pesquisa robótica considerável no manuseio de materiais deformáveis, a manipulação do papel tem sido um tópico relativamente inexplorado, apesar da onipresença do papel na vida cotidiana”, Dezhong Tong e Andrew Choi, dois dos pesquisadores que realizaram o estudo, disse ao Tech Xplore.

“Os dois estudos mais relevantes sobre o tema foram conduzidos por equipes de pesquisa da Aalto University, na Finlândia, e da Bielefeld University, na Alemanha. desenvolve um sistema de robô complicado envolvendo manipuladores semelhantes a humanos que é computacionalmente oneroso.”

O trabalho recente de Tong, Choi e seus colegas foi motivado pela falta de sistemas robóticos de dobragem de papel diretos e eficazes. O principal objetivo da equipe era criar um sistema simples, mas promissor, capaz de dobrar folhas de papel usando um único manipulador robótico.

A estratégia de controle do robô proposta pelos pesquisadores “ensina” os comportamentos dos robôs do ponto de vista físico, para que eles possam enfrentar melhor as tarefas que envolvem manipulação fisicamente perspicaz. Mais especificamente, a equipe treinou uma rede neural artificial (ANN) em um ambiente off-line envolvendo simulações físicas de dobradura de papel. Durante o treinamento, a rede aprendeu como o papel “se comporta” quando é submetido a diferentes agarrões em diferentes posições físicas.

“Os dados de treinamento foram gerados puramente por meio de simulações de computador baseadas em física”, explicaram Tong e Choi. “Posteriormente, online e em tempo real, a rede neural treinada rapidamente fez previsões que resultaram em trajetórias de manipulação ótimas. Outra novidade importante é o uso da análise de escala, uma técnica adotada da física matemática, para adimensionalizar as previsões da rede neural. ”

Neste artigo, o termo “adimensionalização” refere-se a tornar a entrada e a saída independentes de suas unidades, por meio de uma técnica de física matemática. A quantidade adimensionalizada é sem unidade. Portanto, a alteração das unidades do sistema não influenciará na análise.

No contexto deste estudo, este processo tem vantagens notáveis. Melhora a generalização do quadro de controle, permitindo que o robô dobre folhas de papel de diferentes espessuras ou com diferentes geometrias, sem a necessidade de treinamento para cada um desses tipos de papel.

Além disso, a adimensionalização reduz a “dimensionalidade” do problema de dobragem de papel. Em outras palavras, facilita o treinamento da rede neural e melhora seu desempenho em tempo real.

“Dado o comportamento altamente não linear de muitos objetos deformáveis, os especialistas em robótica lutaram para desenvolver métodos eficazes para controlar robôs de maneira a satisfazer tarefas de manipulação do mundo real, como dobradura de papel”, disseram Tong e Choi.

“Uma descoberta empolgante do nosso trabalho é que os algoritmos de aprendizado de máquina e a análise de dimensionamento baseada em física são complementares e altamente eficazes para fins de manipulação robótica de objetos deformáveis. Por um lado, os modelos físicos matemáticos convencionais sofrem de custos computacionais intratáveis ​​ao lidar com objetos como papel, tornando o controle on-line inviável. Por outro lado, empregar ingenuamente o aprendizado de máquina para mitigar o problema resulta em um esquema de controle que funciona apenas para cenários dentro do escopo dos dados de treinamento (ou seja, o desempenho diminuirá drasticamente mesmo se o material do objeto deformável manipulado é modificado).”

O trabalho recente dessa equipe de pesquisadores destaca o valor de combinar análise de dimensionamento com aprendizado profundo ao abordar problemas de manipulação de objetos robóticos do mundo real. Suas descobertas iniciais são muito promissoras, tanto em termos de precisão quanto de eficiência.

No futuro, a estrutura criada por Tong, Choi e seus colegas pode ajudar a melhorar significativamente as capacidades de manipulação de objetos dos robôs. Por exemplo, pode permitir que eles manipulem uma gama mais ampla de objetos de maneiras avançadas, incluindo folhas de papel e itens feitos de outros materiais deformáveis.

“Até onde sabemos, nossa estrutura é a primeira a explorar essa abordagem sinérgica, que acreditamos poder ser amplamente usada em uma ampla variedade de tarefas de manipulação deformável, como gerenciamento de cabos, amarração de nós, kirigami robótico etc.”, Tong e Choi adicionado. “Gostaríamos de expandir nosso trabalho para abranger tarefas de dobradura mais complexas, como origami robótico. Um objetivo interessante seria permitir que um robô dobrasse uma folha de papel em diferentes estruturas, como aviões de papel, sapos de papel, etc.”

© 2023 Science X Network