Robots leren omgaan met vloeistoffen

Amerikaanse onderzoekers creëren een nieuwe simulatietool voor robots om complexe vloeistoffen te manipuleren.

Mensen houden zich in hun dagelijks leven regelmatig bezig met verschillende soorten vloeistoffen. Maar dat is voor de huidige robotsystemen een formidabel en ongrijpbaar doel geweest. Een robot kan een latte aanreiken, maar er een maken vraagt meer nuance.

FluidLab is een nieuwe simulatietool van onderzoekers van het Computer Science and Artificial Intelligence Laboratory (CSAIL) van het Massachusetts Institute of Technology (MIT) in Cambridge. De tool verbetert het leren van robots voor complexe vloeistofmanipulatietaken zoals het maken van latte art, ijs en zelfs het manipuleren van lucht. De virtuele omgeving biedt een veelzijdige verzameling uitdagingen op het gebied van vloeistofbehandeling, waarbij zowel vaste stoffen als vloeistoffen en meerdere vloeistoffen tegelijk betrokken zijn.

FluidLab

FluidLab ondersteunt het modelleren van vaste stoffen, vloeistoffen en gassen, elastische, plastische en stijve objecten, Newtonse en niet-Newtonse vloeistoffen, rook en lucht. De kern van FluidLab wordt gevormd door FluidEngine, een gebruiksvriendelijke simulator die verschillende materialen en hun interacties kan berekenen en simuleren. Hierbij wordt de kracht van grafische verwerkingseenheden (GPU's) benut voor snellere verwerking.

De simulator kan natuurkundige kennis integreren voor een realistischer fysiek wereldmodel, wat leidt tot efficiënter leren en plannen voor robottaken. De meeste bestaande leermethoden voor reinforcment learning missen dat wereldmodel dat afhangt van vallen en opstaan. Door deze verbeterde mogelijkheid kunnen gebruikers volgens de onderzoekers experimenteren met algoritmen voor het leren van robots en spelen met de grenzen van de huidige mogelijkheden voor robotmanipulatie.

Algoritmen

Om de toon te zetten, testten de onderzoekers de algoritmen voor het leren van robots met behulp van FluidLab, waarbij ze uitdagingen in vloeistofsystemen ontdekten en overwonnen. Door slimme optimalisatiemethoden te ontwikkelen, hebben ze deze lessen effectief kunnen overbrengen van simulaties naar scenario's uit de echte wereld.

Taken als koffie zetten, ontbijt bereiden of avondeten koken brengen uitdagingen op het gebied van vloeistofmanipulatie met zich mee. De benchmark van het CSAIL is een eerste stap om robots in staat te stellen deze vaardigheden onder de knie te krijgen, wat zowel huishoudens als werkplekken ten goede komt. Deze robots kunnen bijvoorbeeld wachttijden verkorten en klantervaringen in drukke coffeeshops verbeteren.

FluidEngine ondersteunt een breed scala aan materialen en koppelingen en is tegelijkertijd volledig differentieerbaar. Met gestandaardiseerde taken voor vloeistofmanipulatie kunnen onderzoekers algoritmen voor het leren van robots evalueren en de grenzen van de huidige mogelijkheden voor robotmanipulatie verleggen.

Manipulatie

In de afgelopen decennia hebben wetenschappers zich voornamelijk gericht op het manipuleren van vaste objecten of op simplistische vloeistofmanipulatietaken zoals het gieten van water. Het bestuderen van manipulatietaken met vloeistoffen in de echte wereld kan een onveilige en kostbare onderneming zijn.

Bij vloeistofmanipulatie gaat het niet altijd alleen om vloeistoffen. Bij veel taken is het een dans van interacties tussen vloeistoffen en verschillende andere materialen. Simulatieomgevingen moeten 'koppeling' ondersteunen: hoe werken twee verschillende materiaaleigenschappen op elkaar in? Vloeistofmanipulatietaken vereisen een fijnmazige precisie, met delicate interacties en het hanteren van materialen.

De simulator van FluidLab kan snel berekenen hoe verschillende materialen met elkaar omgaan. Het helpen van de GPU's is Taichi, een domeinspecifieke taal die is ingebed in Python. Het systeem kan gradiënten (veranderingssnelheden in omgevingsconfiguraties met betrekking tot de acties van de robot) berekenen voor verschillende materiaalsoorten en hun interacties (koppelingen) met elkaar. Deze precieze informatie kan worden gebruikt om de bewegingen van de robot te verfijnen voor betere prestaties. Hierdoor maakt de simulator snellere en efficiëntere oplossingen mogelijk.

Tien taken

Het team bracht tien taken naar voren, in twee categorieën:

• vloeistoffen gebruiken om moeilijk bereikbare objecten te manipuleren
• vloeistoffen direct manipuleren voor specifieke doelen. Voorbeelden zijn het scheiden van vloeistoffen, het geleiden van drijvende voorwerpen, het transporteren van voorwerpen met waterstralen, het mengen van vloeistoffen, het maken van latte art, het vormgeven van ijs en het regelen van de luchtcirculatie.

De simulator werkt op dezelfde manier als hoe mensen hun mentale modellen gebruiken om de gevolgen van hun acties te voorspellen en weloverwogen beslissingen te nemen bij het manipuleren van vloeistoffen. Het gebruik van de gradiënten die door de simulator worden geleverd, ondersteunt efficiënt zoeken, waardoor het een veelzijdiger en effectiever hulpmiddel wordt.

Volgende stappen

De toekomst van FluidLab ziet er rooskleurig uit. Het huidige onderzoek probeerde trajecten die in simulatie zijn geoptimaliseerd, rechtstreeks op een 'open loop' manier over te dragen naar taken in de echte wereld. Voor de volgende stappen werken de wetenschappers aan de ontwikkeling van 'closed loop' in een simulatie dat de toestand of de visuele observaties van de omgevingen als input neemt en vloeiende manipulatietaken in real-time uitvoert.

Het platform is publiekelijk beschikbaar. De onderzoekers hopen dat het toekomstige studies ten goede zal komen bij het ontwikkelen van betere methoden voor het oplossen van complexe vloeistofmanipulatietaken.

De wetenschappelijke publicatie vindt u hier.

Foto: Alex Shipps/MIT CSAIL via Midjourney