Dex-Net 2.0 laat robots onbekende objecten zonder training oppakken

Onderzoekers van de Amerikaanse universiteit UC Berkeley en Siemens hebben een oplossing ontwikkeld waarmee robots voor hen onbekende objecten met een grote nauwkeurigheid kunnen oppakken. Dit zonder dat de robots hierin getraind hoeven te worden.

Het oppakken van onbekende objecten is voor een mens een eenvoudige taak. Voor robots is dit echter een grote uitdaging. Niet alleen hebben objecten doorgaans een unieke vorm, ook kan de wijze waarop een object bijvoorbeeld in een bak ligt de wijze waarop een object het best kan worden opgepakt compleet veranderen. Traditioneel moeten robots daarom getraind worden in het oppakken van een nieuw object. Dit beperkt de inzetbaar van robots. 

Dex-Net 2.0

Een systeem dat is ontwikkeld door onderzoekers van de Amerikaanse universiteit UC Berkeley en Siemens biedt echter uitkomst. Het systeem heet Dex-Net 2.0 (Dexterity Network) en stelt robots in staat voor hen totaal onbekende objecten in één keer met succes op te pakken, zonder dat de robot hiervoor getraind hoeft te worden. 

Dit is mogelijk dankzij een database met duizenden 3D-objecten. Deze objecten zijn door Dex-Net 2.0 geanalyseerd met behulp van deep learning, waarbij 6,7 miljoen datapunten zijn verzameld. Deze database functioneert als een soort basiskennis die de robot kan gebruiken om informatie te verzamelen over de wijze waarop een onbekend object het best opgepakt kan worden. 

Object met vergelijkbare vormen zoeken

Zodra een robot die is voorzien van Dex-Net 2.0 een onbekend object krijgt voorgeschoteld, analyseert de robot dit object. Hierbij wordt de vorm van het object geregistreerd, waarna de robot in de database van Dex-Net 2.0 een 3D-model probeert te vinden van een object met een vergelijkbare vorm. Indien dit model wordt gevonden, heeft de robot informatie beschikbaar over de wijze waarop dit bekende object succesvol opgepakt kan worden. De robot probeert vervolgens het onbekende object op dezelfde wijze op te pakken. Dit proces neemt volgens de onderzoekers slechts 0,8 seconden in beslag. 

De methode levert veelbelovende resultaten op, melden de onderzoekers aan MIT Technology Review. Indien de robot na analyse meer dan 50% zeker is dat een onbekend object succesvol kan worden opgepakt, kan de robot in 98% van de gevallen het object ook daadwerkelijk zonder problemen oppakken. Indien de robot minder dan 50% zeker is, geeft de robot het object een duwtje om de oriëntatie hiervan te veranderen. Vervolgens wordt het object opnieuw geanalyseerd en vergeleken met de 3D-modellen van bekende objecten in de database. Na deze extra stap kan de robot objecten in 99% van gevallen zonder problemen oppakken.

Cloud gebaseerde database

De database waar Dex-Net 2.0 gebruik van maakt is cloud gebaseerd en via internet toegankelijk. Dit is een belangrijk voordeel, aangezien de database hierdoor niet lokaal hoeft worden opgeslagen op robots. Daarnaast vereenvoudigt dit het updaten van de informatie in de database. Zo kan de database worden geüpdatet, zonder dat robots die gebruik maken van Dex-Net 2.0 zelf een update hoeven te ontvangen; zij halen de nieuwe informatie simpelweg op uit de database.

De onderzoekers verwachten dat Dex-Net 2.0 gezien de resultaten van hun experimenten op korte termijn in industriële robots zal worden geïmplementeerd. Zij verwachten hiermee zowel de maakindustrie als de leveranciersketen te kunnen revolutioneren. Meer informatie over het project is beschikbaar in de paper ‘Dex-Net 2.0: Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics’, die op in de database met wetenschappelijke publicaties arXiv is gepubliceerd. 

Door: Wouter Hoeffnagel

Bron: UC Berkeley

Bron: MIT Technology Review