NVIDIA ha presentado un nuevo marco llamado AutoMate, destinado a entrenar robots para tareas de ensamblaje en diversas geometrías. Este marco innovador se detalló en un artículo reciente. Blog de tecnología de NVIDIA publicación, demostrando su potencial para cerrar la brecha entre la simulación y las aplicaciones del mundo real.
¿Qué es Automate?
AutoMate es el primer framework basado en simulación diseñado para formar especialistas y generalistas en montaje robótico. Desarrollado en colaboración con la Universidad del Sur de California y el Laboratorio de Robótica NVIDIA Seattle, AutoMate demuestra la transferencia de habilidades de la simulación a la realidad en un tiempo récord, lo que significa que las capacidades aprendidas en la simulación se pueden aplicar directamente en entornos reales sin ajustes adicionales.
Las principales contribuciones de AutoMate incluyen:
- Un conjunto de datos de 100 ensamblajes y entornos de simulación listos para usar.
- Algoritmos que entrenan eficazmente a los robots para que realicen una variedad de tareas de ensamblaje.
- Una síntesis de enfoques de aprendizaje que destila el conocimiento de múltiples habilidades duras en una única habilidad general, refinada aún más a través del aprendizaje por refuerzo (RL).
- Un sistema del mundo real capaz de implementar estas habilidades entrenadas en simulación en un flujo de trabajo iniciado por la percepción.
Conjunto de datos y entornos de simulación.
El conjunto de datos de AutoMate incluye 100 ensamblajes imprimibles en 3D y habilitados para simulación. Estos ensamblajes se basan en un gran conjunto de datos de Autodesk, lo que permite aplicaciones prácticas en entornos del mundo real. Los entornos de simulación están diseñados para paralelizar tareas, mejorando así la eficiencia del proceso de formación.
Especialistas en aprender sobre diversas geometrías.
Si bien proyectos anteriores de NVIDIA, como IndustReal, han logrado avances utilizando el aprendizaje por refuerzo, AutoMate aprovecha una combinación de aprendizaje por refuerzo y aprendizaje por imitación para entrenar robots de manera más efectiva. Este enfoque aborda tres desafíos principales: generar demostraciones para el montaje, integrar el aprendizaje por imitación en el aprendizaje por refuerzo y seleccionar las demostraciones adecuadas durante el aprendizaje.
Generar demostraciones con montaje por desmontaje.
Inspirado en el concepto de montaje por desmontaje, el proceso consiste en recopilar demostraciones de desmontaje y revertirlas para su montaje. Este método simplifica la recopilación de demostraciones, que pueden resultar costosas y complejas si se realizan manualmente.
RL con objetivo de imitación
La incorporación de un término de imitación en la función de recompensa de RL anima al robot a imitar demostraciones, mejorando así el proceso de aprendizaje. Este enfoque se alinea con trabajos previos en animación de personajes y proporciona un marco sólido para la formación.
Demostraciones seleccionadas con distorsión dinámica del tiempo.
La distorsión dinámica del tiempo (DTW) se utiliza para medir la similitud entre la ruta del robot y las rutas de demostración, asegurando que el robot siga la demostración más efectiva en cada paso. Este método mejora la capacidad del robot para aprender de los mejores ejemplos disponibles.
Aprende una habilidad de Asamblea General
Para desarrollar una habilidad generalista capaz de manejar múltiples tareas de ensamblaje, AutoMate utiliza un enfoque de tres pasos: clonación de comportamiento, agregación de conjuntos de datos (DAgger) y ajuste fino de RL. Este método permite que la habilidad generalista se beneficie del conocimiento acumulado por las habilidades especializadas, mejorando así el rendimiento general.
Configuración y percepción del mundo real: flujo de trabajo inicializado
La configuración real incluye un brazo robótico Franka Panda, una cámara Intel RealSense D435 montada en la muñeca y una pinza Schunk EGK40. El flujo de trabajo implica capturar una imagen RGB-D, estimar la pose 6D de las piezas y desplegar la habilidad de ensamblaje entrenada en simulación. Esta configuración garantiza que las habilidades aprendidas se puedan aplicar de forma eficaz en condiciones del mundo real.
Resumen
AutoMate representa un avance significativo en el campo del ensamblaje robótico, aprovechando la simulación y los métodos de aprendizaje para resolver una amplia gama de problemas de ensamblaje. Los próximos pasos se centrarán en ensamblajes de varias piezas y en perfeccionar las habilidades para cumplir con los estándares de la industria.
Para más información visite Página del proyecto AutoMate y explore entornos y herramientas de NVIDIA relacionados.
Fuente de la imagen: Shutterstock